Educational Studies Examining Knowledge of Substance Use Disorders and Career Aspirations Among Medical Trainees in an Inner-City Hospital
Notice bibliographique
Résumé
OBJECTIVES: Gaps in addiction medicine training are a reason for poor substance use care in North America. Hospital addiction medicine consult services (AMCS) provide critical medical services, including screening and treatment of substance use disorders. Although these programs often feature an educational component for medical learners, the impact of AMCS teaching on objective knowledge and career aspirations in addiction medicine has not been well described. METHODS: The authors report findings from two sequential studies conducted at a large academic hospital in Vancouver, Canada. The first study assessed the impact of an AMCS clinical rotation on medical trainee addiction medicine objective knowledge using an online survey of 6 true/false questions before and after the rotation. The second study examined the impact of an AMCS rotation on career aspirations using 4 seven-point Likert-type questions. One-sample t tests on mean differences (MD) with Benjamini-Hochberg adjustment for multiple comparisons were employed for statistical analyses. RESULTS: Between May 2017 and June 2018, knowledge scores were significantly higher postrotation (MD = 4.78, standard deviation [SD] = 19.5, P = 0.034) among 115 medical trainees. Between July 2018 and July 2019, aspirations to practice addiction medicine were significantly more favorable postrotation (MD = 3.48, SD = 3.15, P < 0.001) among 101 medical trainees. CONCLUSIONS: AMCS rotations appear to improve addiction medicine knowledge and aspirations to practice addiction medicine among medical trainees. Larger-scale evaluations and outcomes research on integrating substance use disorders teaching in these settings will help move the discipline forward.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».