Effectiveness of Bi-lingual Multidisciplinary Simulation-based Training in Improving Communication and Breaking Bad-News Skills
Notice bibliographique
Résumé
Background: Healthcare worker (HCW)-patient communication is an essential element of every patient’s journey, and evidence links good communication with favourable patient experiences and outcomes. Simulation-based training (SBT) is a promising and effective tool to improve such communication. Aim: To develop a bilingual SBT programme in communication skills for all HCWs in an academic tertiary hospital, to improve patient care, experiences and outcomes. Methods: This was a quasi-experimental design, conducted in 2018 at King Abdulaziz University (KAU). We designed and delivered a bilingual, simulation-based, full-day course for HCWs (both clinical and administrative), and measured its impact by comparing pre- and post-course test scores, participant feedback, and instructor performance satisfaction indices. Results: We trained 318 HCWs over 15 days, using 10 instructors. Post-test scores showed individual and overall improvement. The average scores were 26.6% (14-40%) for the pre-test and 55.8% (37-70%) for the post-test, with an average improvement of 29% (P<0.005). Participant feedback was 77% positive and in favour of more training. The average instructor performance satisfaction score was 96.2% (92-99%). Conclusion: We demonstrated the positive impact of SBT on communication skills for both clinical and administrative HCWs. We also demonstrated the sustainability and scalability of this course.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».