Integrating socially accountable health professional education and learning health systems to transform community health and health systems
Notice bibliographique
Résumé
A learning health system aims to create value in health systems using data-driven innovations, quality improvement techniques, and collaborations between health system partners. Although the concept is mobilized through cycles of learning, most instantiations of the learning health system overlook the importance of formalized learning in educational settings. Social accountability in health professional education focuses on measurably improving people's health and health care, specifically through education and training activities. In this commentary, we argue that the idea of social accountability clearly articulates a rationale and a broad range of aspirations, whereas the learning health system offers an approach to achieve these goals. With a similar aim to a learning health system, social accountability promotes partnerships between health professional education, the health system, and communities in a way that allows for co-designed and contextualized interventions. On the other hand, learning health systems prioritize data, research, and analytic capacities to facilitate quality improvement. An integrative framework could enhance learning cycles by collectively designing interventions and innovations with people and communities from health, research, and education systems. As well as aspiring to improve population health and health equity, such a framework will consider broader impacts, including the degree of participation amongst a range of partners and the level of responsiveness to partners' priorities.
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 | 0,023 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,047 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,009 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».