MétaCan
Menu
Retour à la cohorte
Enregistrement W3116671167 · doi:10.7759/cureus.12247

Addressing Social Context in Health Provider and Senior Communication Training: What Can We Learn From Communication Accommodation Theory?

2020· article· en· W3116671167 sur OpenAlexaff
Beheshta Momand, Adam Dubrowski

Notice bibliographique

RevueCureus · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensUniversity of Ontario Institute of Technology
Organismes subventionnairesnon disponible
Mots-clésMedicineAccommodationConverseContext (archaeology)Health careVariety (cybernetics)CognitionMental healthNursingApplied psychologyMedical educationGerontologyPsychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

The ability to communicate enables people to share information, thoughts, and concerns with others in a certain time and place. Communication plays a fundamental role across a variety of institutions. However, the stakes are exceptionally high in primary health care (PHC). Poor communication in PHC increases the patient's risk of medication errors, patient injury, delay in treatment, and/or death. Effective communication is especially critical when health providers communicate with seniors because aging is partly responsible for physical, mental, and social/emotional changes. Studies have suggested that simulations are an effective means to train health providers in the development/enhanced communication skills; however, current educational programs focus on physical and cognitive aspects of aging. This editorial highlights possible contributions from the communication accommodation theory (CAT) to structure a communication training strategy that may help to improve healthcare providers' ability to converse and connect with the vulnerable older population and address their social and emotional well-being.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,019
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,006
Communication savante0,0070,008
Science ouverte0,0020,003
Intégrité de la recherche0,0050,008
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,457
Tête enseignante GPT0,459
Écart entre enseignants0,002 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCureusMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207