Engaging medical students and residents in nephrology education: an updated scoping review
Notice bibliographique
Résumé
BACKGROUND: There is global recognition that interest in nephrology among pediatric and adult trainees is waning, while the burden of kidney disease continues to wax. There is a growing need to engage trainees in nephrology education. The objective of this study was to systematically review the literature on nephrology education for medical students and residents published in the last six years, collate the findings, and extract major themes in order to better define the gaps in this field. METHODS: A systematic literature search was conducted on four major academic search engines including MEDLINE (OvidSP), ERIC, EMBASE and Web of Science until October 22, 2020, retrieving a total of 2,694 studies. Forty studies published after September 2014 met the inclusion and exclusion criteria. These studies were analyzed based on study focus, type of study design, and outcomes. RESULTS: The studies fell into three main areas of focus: (a) factors that influence interest in nephrology careers (b) current gaps in nephrology knowledge and (c) innovative educational strategies. Barriers to engaging learners in nephrology include a lack of exposure, lack of mentorship, and perceived complexity of nephrology. Baseline awareness is deficient in the management of chronic kidney disease and acute kidney injury. Applying active learning strategies may reduce the perceived barriers to understanding nephrology. CONCLUSION: The importance of engaging the future nephrology workforce is well-recognized. Nephrologist educators should focus their efforts in studying curriculum interventions and their impact not only on learner satisfaction, but also future behavior, career choices, and patient outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».