Best Practices for the Implementation and Sustainment of Virtual Health Information System Training: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has necessitated the adoption and implementation of digital technologies to help transform the educational ecosystem and the delivery of care. OBJECTIVE: We sought to understand instructors' and learners' perceptions of the challenges and opportunities faced in implementing health information system virtual training amid the COVID-19 pandemic. METHODS: Semistructured interviews were conducted with education specialists and health care staff who provided or had taken part in a virtual instructor-led training at a large Canadian academic health sciences center. Guided by the Technology Acceptance Model and the Community of Inquiry framework, we analyzed interview transcript themes deductively and inductively. RESULTS: Of the 18 individuals participating in the study, 9 were education specialists, 5 were learners, 3 were program coordinators, and 1 was a senior manager at the Centre for Learning, Innovation, and Simulation. We found 3 predominant themes: adopting a learner-centered approach for a meaningful learning experience, embracing the advances in educational technologies to maximize the transfer of learning, and enhancing the virtual user experience. CONCLUSIONS: This study adds to the literature on designing and implementing virtual training in health care organizations by highlighting the importance of recognizing learners' needs and maximizing the transfer of learning. Findings from this study can be used to help inform the design and development of training strategies to support learners across an organization during the current climate and to ensure changes are sustainable.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».