Interventions to improve the well-being of medical learners in Canada: a scoping review
Notice bibliographique
Résumé
Background: Medical education affects learner well-being. We explored the breadth and depth of interventions to improve the well-being of medical learners in Canada. Methods: We searched MEDLINE, EMBASE, CINAHL and PsycINFO from inception to July 11, 2020, using the Arksey–O’Malley, 5-stage, scoping review method. We included interventions to improve well-being across 5 wellness domains (i.e., social, mental, physical, intellectual, occupational) for medical learners in Canada, grouped as undergraduate or graduate nonmedical (i.e., health sciences) students, undergraduate medical students or postgraduate medical students (i.e., residents). We categorized interventions as targeting the individual (learner), program (i.e., in which learners are enrolled) or system (i.e., higher education or health care) levels. Results: Of 1753 studies identified, we included 65 interventions that aimed to improve well-being in 10 202 medical learners, published from 1972 through 2020; 52 (80%) were uncontrolled trials. The median year for intervention implementation was 2010 (range 1971–2018) and the median length was 3 months (range 1 h–48 mo). Most (n = 34, 52%) interventions were implemented with undergraduate medical students. Two interventions included only undergraduate, nonmedical students; none included graduate nonmedical students. Most studies (n = 51, 78%) targeted intellectual well-being, followed by occupational (n = 32, 49%) and social (n = 17, 26%) well-being. Among 19 interventions implemented for individuals, 14 (74%) were for medical students; of the 27 program-level interventions, 17 (63%) were for resident physicians. Most (n = 58, 89%) interventions reported positive well-being outcomes. Interpretation: Many Canadian medical schools address intellectual, occupational and social well-being by targeting interventions at medical learners. Important emphasis on the mental and physical well-being of medical learners in Canada warrants further exploration.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».