Insights from healthcare academics on facilitating interprofessional education activities
Notice bibliographique
Résumé
Facilitators are of paramount importance to the success of interprofessional education (IPE) activities; hence, it is crucial to explore their perspectives and experiences in delivering IPE in Qatar. Using an exploratory case study approach, semi-structured interviews were conducted, in 2018, among faculty members, who had facilitated at least one IPE activity in Qatar, from healthcare professional education programs at Qatar University Colleges of Pharmacy, Medicine, and Health Sciences, Weill Cornell Medicine in Qatar, the University of Calgary in Qatar, and the College of North Atlantic. Interviews were recorded and transcribed verbatim. Inductive thematic content analysis was implemented. Twenty-one interviews were conducted with the following professions represented: medicine (n = 6), pharmacy (n = 5), nursing (n = 4), biomedical science (n = 3), respiratory theory (n = 2) and public health (n = 1). Four main themes emerged from the interviews: drivers to facilitator involvement that included interest and commitment to IPE and awareness of collaborative practice benefits; facilitator participation which was based on facilitator attributes and preparedness and readiness for IPE facilitation; the organizational support in terms of dedicated structure for IPE and IPE design and delivery and; student participation in terms of group dynamics and student engagement. Some key recommendations include having a dedicated unit for IPE, scheduling protected time for IPE, and organizing facilitators' training and debriefing workshops. The facilitators valued and appreciated IPE in preparing students for future collaborative practice. These findings can inform the development of quality and sustainable IPE activities in the future.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».