Training physicians in motivational communication to improve behaviour change counselling competency: A behavioural medicine approach to NCD prevention and management
Notice bibliographique
Résumé
Abstract Background Despite the importance of changing health behaviours in the context of preventing and managing non-communicable chronic diseases (NCD's), physician use of evidence-based behaviour change counselling (BCC) is low, and BCC skills competency is generally poor. Motivational communication (MC) is a patient-centred, evidence-based BCC approach used by healthcare providers, designed to increase patient motivation to adopt a healthy lifestyle. MC-based approaches improved a range of health behaviours (smoking, diet, physical activity) in patients with NCDs, leading to increased demand for physician training. Despite the widespread dissemination of training programs, data on their efficacy in achieving competency among physicians is limited. This is likely due to a lack of consensus on the core communication competencies to be achieved, and in the absence of acceptable, valid and reliable tools to measure skill acquisition. Results Using an integrated knowledge translation (iKT) approach that engaged 199 international physicians, behaviour change experts and health administrators, we have identified 11 core evidence-based communication competencies that physicians should acquire in the context of NCD prevention/management. They have been incorporated into a basic 4 hr face-to-face MC training program called “LEARN THE BASICs”. To assess MC competency, we have also developed a reliable, engaging, efficient, 'user-friendly' case-based digital assessment tool called the MC-Competency Assessment Test (MC-CAT). Conclusions Strategies for optimizing and tailoring this program, including finding the most cost-effective training dose, the impact of supplemental training components (e.g., in person vs. digital coaching; booster sessions), and delivery modes (e.g., face-to-face vs digital/online), will be discussed in the context of optimizing implementation success.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».