MétaCan
Menu
Retour à la cohorte
Enregistrement W3124619094 · doi:10.1186/s12909-021-02564-4

Talking the talk in junior interprofessional education: is healthcare terminology a barrier or facilitator?

2021· article· en· W3124619094 sur OpenAlexafffund
Shamara Nadarajah, Arden Azim, Derya Uzelli Yılmaz, Matthew Sibbald

Notice bibliographique

RevueBMC Medical Education · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueInterprofessional Education and Collaboration
Établissements canadiensHamilton Health SciencesMcMaster University
Organismes subventionnairesMcMaster University
Mots-clésTerminologyFacilitatorHealth careFocus groupCategorizationMedical educationPsychologyMedical terminologyMedicineNursingComputer scienceArtificial intelligenceSociologySocial psychologyPolitical scienceLinguistics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Use of healthcare terminology is a potential barrier to interprofessional education (IPE). This study describes how junior learners perceive and classify healthcare terminology in IPE settings. METHODS: We conducted a mixed methods study involving 29 medical, 14 nursing, and 2 physician assistant students who had previously attended or were registered to participate in educational activities at McMaster University's Centre for Simulation-Based Learning. 23 participants identified "inclusive" or "exclusive" terminology in a series of scenarios used for IPE workshops using an online survey. We collated lists of "inclusive" and "exclusive" terminology from survey responses, and characterized the frequencies of included words. 22 students participated in focus group discussions on attitudes and perceptions around healthcare terminology after attending IPE workshops. We identified themes through an iterative direct content analysis of verbatim transcripts. RESULTS: Students analyzed 14 cases, identifying on average 21 terms per case as healthcare terminology (28% of overall word count). Of the 290 terms identified, 113 terms were classified as healthcare terminology, 46 as inclusive and 17 as exclusive by > 50% of participants. Analysis of focus group transcripts revealed 4 themes: abbreviations were commonly perceived as complex terminology, lack of familiarity with terminology was often attributed to inexperience, simulation was considered a safe space for learning terminology, and learning terminology was a valued IPE objective. CONCLUSIONS: While students perceive a lot of healthcare terminology in IPE learning materials, categorization of terminology as "inclusive" or "exclusive" is inconsistent. Moreover, healthcare terminology is perceived as a desirable difficulty among junior learners, and should not be avoided in IPE.

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)0,016
score de la tête « metaresearch » (Gemma)0,057
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: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,083

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,057
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,004
Communication savante0,0040,004
Science ouverte0,0020,008
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,478
Écart entre enseignants0,434 · 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

Citations5
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMC Medical EducationMême sujetInterprofessional Education and CollaborationTravaux en français237 207