Training interprofessional faculty in humanism and professionalism: a qualitative analysis of what is most important
Notice bibliographique
Résumé
Introduction: The capacity of healthcare professionals to work collaboratively influences faculty and trainees’ professional identity formation, well-being, and care quality. Part of a multi-institutional project*, we created the Faculty Fellowship for Leaders in Humanistic Interprofessional Education at Boston Children’s Hospital/ Harvard Medical School. We aimed to foster trusting relationships, reflective abilities, collaboration skills, and work together to promote humanistic values within learning environments. Objective: To examine the impact of the faculty fellowship from participants’ reports of “the most important thing learned”. Methods: We studied participants’ reflections after each of 16 1½ hour fellowship sessions. Curriculum content included: highly functioning teams, advanced team formation, diversity/inclusion, values, wellbeing/renewal/burnout, appreciative inquiry, narrative reflection, and others. Responses to “What was the most important thing you learned?” were analyzed qualitatively using a positivistic deductive approach. Results: Participants completed 136 reflections over 16 sessions–77% response rate (136/176). Cohort was 91% female; mean age 52.6 (range 32-65); mean years since completion of highest degree 21.4; 64% held doctorates, 36% master’s degrees. 46% were physicians, 27% nurses, 18% social workers, 9% psychologists. 27% participated previously in a learning experience focusing on interprofessional education, collaboration or practice. Most important learning included: Relational capacities/ Use of self in relationships 96/131 (73%); Attention to values 46/131 (35%); Reflection/ Self-awareness 44/131 (34%); Fostering humanistic learning environments 21/131 (16%). Discussion: Results revealed the importance of enhancing relational capacities and use of self in relationships including handling emotions; attention to values; reflection/self-awareness and recognition of assumptions; and fostering humanistic learning environments. These topics should receive more emphasis in interprofessional faculty development programs and may help identify teaching priorities. *Supported in part by a multi-institutional grant from the Josiah Macy, Jr. Foundation (Dr. Branch as PI; Dr. Rider as site PI).
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 | 0,027 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».