Using Appreciative Inquiry to Explore Effective Medical Interviews
Notice bibliographique
Résumé
The objective of this study was to uncover the elements of successful medical interviews so that they can be easily shared with health educators, learners, and practitioners. The medical interview is still considered the most effective diagnostic tool available to physicians today, despite decades of rapid advancements in medical technology. When the physician-patient interaction is successful, outcomes are improved. Semi-structured interviews were conducted using an Appreciative Inquiry approach, which seeks to uncover strengths from positive experiences. The inquiry sought to identify the elements that comprise the participating physicians' most successful patient interviews. Subsequent qualitative analysis revealed eight themes: social support, mutual respect, trust, active listening, relationships, nonverbal cues, empathy, and confidentiality. These themes do not each exist separately or in a vacuum from one another; they are in fact strongly interconnected and equally important. For instance, if a physician and a patient cannot at least maintain mutual respect, then building a relationship, or even trust, is impossible. Given the qualitative nature of this study, future quantitative research should seek to validate the results. As patients assume a more participatory role in modern medical encounters, communication and other soft skills will be key in satisfying patients and improving their medical 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 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 | 0,054 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,017 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».