Building Dialogues Between Medical Student & Autistic Patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Patient Immersion Experience (PIE), part of the MD Program’s longitudinal Physicianship course, pairs medical students with individuals with chronic medical conditions to promote an understanding of the lived experience of illness. In October 2017, medical students AW and SC were matched with patient mentor MF, an autistic person[1] and artist. A year later, in the fall of 2018, MF invited his autistic friend AK to participate in collaborating in developing an “interpretive project”, a required capstone component of PIE organized by faculty-lead, PBM. Transcripts of online Google Doc conversations involving SC, AW, MF and AK, that took place over a 3-month period, were used to create a multimedia learning artifact that was exhibited as part of an annual Patient Appreciation Event organized at the end of the year. Rather than simply focusing on transmission of “information”, with SC and AW (as medical students) asking questions and AK and MF responding to it, a commitment was made to an ongoing mutual exchange of ideas. Four main topics were discussed: 1) the value of open communication with others, 2) how the process of informed consent differs for autistic people, 3) hope for a better future for healthcare, and 4) moving forward. These conversations point to the relationship-enhancing possibilities of open, back-and-forth dialogue as an antidote to monological approaches to medicine, providing insights into ways dialogue can enhance both a sense of agency and relational connections, generate new creative thinking, and promote a more holistic, person-centred approach to healthcare.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle