Geriatric Fast Facts: Four Years of Growth and Reach
Notice bibliographique
Résumé
Abstract Clinical teachers are increasingly challenged to find the time to provide point of care education for learners. To meet this challenge, an interprofessional team from competing health care systems created and sustained Geriatric Fast Facts (GFF): easily accessible, concise 1-2 page topic summaries for clinical teachers to use (in lieu of the mini-lecture) with learners at the point of care. Designed by geriatrics educators in consultation with IT experts, we launched a mobile enabled website that is indexed and searchable by free text or topic, organ system, ACGME competency, disease, and the “underlying science” for the disease/illness. GFF topics are authored by subject matter experts with peer review by senior geriatricians. Brief quizzes test learners’ knowledge with score reports. Our 4-year results reveal that: 1) “Geriatric Fast Facts” appear in the top Google 10 listing; 2) Search engines account for 39% of site traffic; 3) 60% of unique users (N=29,000) are via direct link; 4) 19% via referral from another site. Our “bounce rate” (55%) is ideal as users quickly gain the information sought - affirmed by our session duration which averages < 2 minutes. Our Google Analytics results reflect steady growth and international reach: 73% of sessions are from the U.S., 5% from Canada, 22% international and growing! In summary with our population continuing to age and time for teaching being limited, GFFs are quick, accessible, evidence-based resources for point of care teaching.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,006 |
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 ».