Assessing the learning needs of physical medicine and rehabilitation residents to develop a geriatric medicine and rehabilitation curriculum
Notice bibliographique
Résumé
BACKGROUND: Older adults with functional impairment are cared for by physiatrists in rehabilitation, but physiatrist training in geriatric-related competencies remains suboptimal. To develop a geriatric rehabilitation (GR) curriculum and explore opportunities for improvement, a needs assessment of stakeholders was conducted to understand physical medicine and rehabilitation (PMR) residents' comfort levels and learning needs in geriatrics. METHODS: A mixed-methods design was employed. PMR residents (n = 18) and practicing physiatrists (n = 40) completed a questionnaire; and PMR residents, physiatrists and key informants (n = 9; n = 4; n = 6) participated in focus groups and semi-structured interviews to explore geriatric experiences of trainees and educational needs in geriatrics and rehabilitation. Data were qualitatively analyzed using constructivist-grounded theory. RESULTS: Residents and physiatrists highlighted similar topics as areas of low comfort in knowledge. Interviews prioritized critical geriatric topics (gait assessment, falls, cognitive impairment, movement disorders, and polypharmacy) and highlighted disposition planning and end-of-life care as areas needing further curriculum support. Challenges in delivering geriatric education were also identified. CONCLUSION: What emerged from the needs assessment was a series of critical geriatric educational priorities for the development of a GR curriculum for physiatry trainees - arising at an opportune time given the shift toward competency-based residency education.
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 | 0,001 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».