Enabling positive practice improvement through <scp>data‐driven</scp> feedback: A model for understanding how data and self‐perception lead to practice change
Notice bibliographique
Résumé
PURPOSE: This article aims to identify the factors that affect physicians' experiences of receiving practice data and to use these data to develop a model describing how individuals interact with the data. METHODS: We designed an interview guide to study physicians' perspectives on audit and feedback. By intentional sampling, we recruited 15 physicians amongst gender groups, types of practice (academic vs community), and durations of practice. The interviews were conducted by a single author and transcribed without identifiers. We then began with an open coding analysis for all of the transcripts, and thereafter conducted axial coding to group the data into larger themes. RESULTS: Several attributes were identified as either enabling or counterproductive attributes for participant improvement. The final proposed model identifies different zones of engagement on the basis of both the individual practitioner's growth mindset and the quality of the existing data system. In the highest engagement zone, the mindset of the collective leadership is one of growth. Systemic supports are in place, which potentiates learning that may come from an individual motivated to use their own data. CONCLUSION: Our novel model depicts the relationship between data feedback systems and individuals' mindsets interact to augment or hinder clinical practice improvement. This model may provide leaders with a framework to examine their academic and administrative structures and how they might interface with performance feedback systems with clinicians.
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 | 0,025 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,019 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».