MétaCan
Menu
Retour à la cohorte
Enregistrement W3143351959 · doi:10.34105/j.kmel.2020.12.024

Opportunities for improving how and when Canadians are informed about new prescription medications

2020· article· en· W3143351959 sur OpenAlexaffabout
Helen Monkman, André Kushniruk, Elizabeth M. Borycki, Debra Sheets, Jeff Barnett, Hannah Park

Notice bibliographique

RevueKnowledge Management & E-Learning An International Journal · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Literacy and Information Accessibility
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésMedical prescriptionPharmacySample (material)Citizen journalismMedicineFamily medicineProcess (computing)PsychologyPublic relationsNursingPolitical scienceComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

The Canadian prescription process requires a person to go through several steps. Prescription medications have associated risks and benefits and it is important for people to be aware of these before and while they are taking medications. One of the approaches to informing people about new prescription medications is that they are provided Consumer Medication Information (CMI). CMI is given to Canadians at the pharmacy when they pick up prescriptions, they will be taking for the first time. This study used semi-structured interviews to examine the lived experiences of a sample of Canadians (N = 36) to identify opportunities for improvement in how and when they are informed about new prescription medications. The findings were synthesized into a journey map. Generally, participants wanted to receive CMI digitally and earlier in the prescription process. Adopting these changes could have several benefits which include loss prevention and increased accessibility to CMI as well as more participatory decision making and opportunities to ask questions. Future research is warranted to explore similar topics with a larger sample and determine what method (e.g., email, website, mobile application) would be most suitable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,792
Score d'incertitude au seuil0,939

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,122
Tête enseignante GPT0,411
Écart entre enseignants0,289 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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'admission2
Résumé présentoui

Explorer davantage

Même revueKnowledge Management & E-Learning An International JournalMême sujetHealth Literacy and Information AccessibilityTravaux en français237 207