Family Medicine Supervisors’ Preferences for Improving Their Teaching Skills in Senior Care
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Many clinical supervisors in family medicine feel ill-equipped to teach senior care to their family medicine residents (trainees). We therefore sought to explore their preferred learning strategies for improving their clinical and teaching skills with regard to senior care. METHODS: In this qualitative study, we conducted focus groups and interviews with supervisors from four family medicine clinics, to explore their preferred educational strategies. We selected four clinics using a maximum-variation strategy, based on a survey assessing continuing professional development (CPD) needs. The qualitative thematic analysis followed an inductive/deductive approach based on McGuire's attributes of persuasive communication. RESULTS: The four focus groups and nine interviews with 53 supervisors (37 physicians, 9 nurses, 4 psychologists, 1 social worker, 1 nutritionist, 1 sexologist) revealed that supervisors preferred being trained by experienced trainers specialized in senior care, from various professional backgrounds, and knowledgeable about local community resources. They valued practical training the most, such as clinical case discussions based on real cases, clinical tools, and mentoring. The findings also suggest that training in senior care should be adapted to the supervisors' experience, profession, workload, and scope of intervention. Supervisors valued repeated CPD with longitudinal follow-up and easy access to trainers and to up-to-date training content. CONCLUSIONS: The findings of this project will allow those who design CPD activities to adapt such activities to the preferences of supervisors, so as to improve their clinical and teaching skills in senior care. This, in turn, may help supervisors to embody an appealing professional role model for learners.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».