Enhancing the healthcare quality improvement storyboard using photovoice
Notice bibliographique
Résumé
Visual photographic approaches have steadily gained momentum in health services research in the last 20 years; however, its use in quality improvement (QI) is sparse.1 Currently, the traditional A3 QI story board is an integral component for sharing health service improvement efforts. Named after the A3 international paper size of approximately 11″ × 17″, this one page/poster provides a visually concise synopsis of the problem, the root causes identified, the resolution and metrics that indicate resolution effect.2 The benefit of the A3 QI storyboard approach is in the thinking and behaviours it stimulates along with facilitating dialogue.3 Photovoice is a visual participatory method in which photographic images are taken to strengthen and supplement the more robust metrics involved in QI.4 The photographic image triangulates with the conventionally generated quantitative and qualitative findings to create a more comprehensive QI story.5 6 In QI studies that have used photographic images, the rationale for inclusion are, first, to alleviate challenges related to change acceptance as healthcare employees may gain a better understanding of why the improvement is a priority. Second, to facilitate collaboration between different stakeholder groups, and lastly the photographs may lead to a more direct understanding of people, their life experiences and perceptions enabling others to empathise and understand the QI effort.7 Within the setting of healthcare, engaging providers and patients, obtaining their buy-in and understanding their unique perspectives/experience are essential to improve the quality of care.8–10 Here, we describe an initiative that undertook …
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 | 0,052 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».