The role of digital technology in providing education, training, continuing professional development and support to the rural health workforce
Notice bibliographique
Résumé
Purpose Education, training and continuing professional development are amongst the evidence-based initiatives for attracting and retaining rural and remote health professionals. With rapidly increasing access to and use of digital technology worldwide, there are new opportunities to leverage training and support for those who are working in rural and remote areas. In this paper we determine the key elements associated with the utility of digital technologies to provide education, training, professional learning and support for rural health workforce outside the University and tertiary sector. Design/methodology/approach A scoping review of peer-reviewed literature from Australia, Canada, US and New Zealand was conducted in four bibliographic databases – Medline complete, CINAHL, Academic Search complete and Education Complete. Relevant studies published between January 2010 and September 2020 were identified. The Levacet al. (2010) enhanced methodology of the Arksey and O'Malley (2005) framework was used to analyse the literature. Findings The literature suggests there is mounting evidence demonstrating the potential for online platforms to address the challenges of rural health professional practice and the tyranny of distance. After analysing 22 publications, seven main themes were found – Knowledge and skills (n = 13), access (n = 10), information technology (n = 7), translation of knowledge into practice (n = 6), empowerment and confidence (n = 5), engagement (n = 5) and the need for support (n = 5). Ongoing evaluation will be critical to explore new opportunities for digital technology to demonstrate enhanced capability and retention of rural health professionals. Originality/value To date there has been limited examination of research that addresses the value of digital platforms on continuing professional development, education and support for rural health professionals outside the university and tertiary training sectors.
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 | 0,013 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».