Evaluation of an Online Course in 5 Languages for Inpatient Cardiac Care Providers on Promoting Cardiac Rehabilitation
Notice bibliographique
Résumé
PURPOSE: Evidence proves that health care providers should promote cardiac rehabilitation (CR) to patients face-to-face to increase CR enrollment. An online course was designed to promote this at the bedside; it is evaluated herein in terms of reach, effect on knowledge, attitudes, discussion self-efficacy and practices, and satisfaction. METHODS: Design was observational, one-group pre- and post-test. Some demographics were requested from learners taking all language versions of the 20-min course: English, Portuguese, French, Spanish, and simplified Chinese, available at: https://globalcardiacrehab.com/CR-Utilization. Investigator-generated items in the pre- and post-test and evaluation survey administered using Google Forms were based on Kirkpatrick's training evaluation model. RESULTS: The course was initiated by 522 learners from 33 of 203 (16%) countries; most commonly female (n = 341, 65%) nurses (n = 180, 34%) from high-income countries (n = 259, 57%) completing the English (n = 296, 57%) and Chinese (n = 108, 21%) versions. A total of 414 (79%) learners completed the post-test and 302 (58%) completed the evaluation. Median CR attitudes were 5 of 5 on the Likert scale at pre-test, suggesting some selection bias. Mean CR knowledge ([7.22 ± 2.14]/10), discussion self-efficacy ([3.86 ± 0.85]/5), and practice ([4.13 ± 1.11]/5) significantly improved after completion of the course (all P < .001). Satisfaction was high regardless of language version ([4.44 ± 0.64]/5; P = .593). CONCLUSIONS: This free, open-access course is effective in increasing CR knowledge, self-efficacy, and encouragement practices among participating inpatient cardiac providers, with high satisfaction. While testing impact on actual CR use is needed, it should be more broadly disseminated to increase reach, in an effort to increase patient enrollment in CR, to reduce morbidity and mortality.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».