Strangers in a strange land: The experience of physicians undergoing remediation
Notice bibliographique
Résumé
INTRODUCTION: The experience of remediation in practising physicians has not been widely studied. Remediatees frequently present negative emotions, but observers can only infer the underlying reasons behind these. Understanding remediatees' perspectives may help those mandating and organising remediation to structure the process in ways that improve the experience for all concerned parties and maximise chances of a successful outcome for remediatees. METHODS: Seventeen physicians who had undergone remediation for clinical competence concerns were interviewed via telephone. Participant data were first iteratively analysed thematically and then reanalysed using a narrative mode of analysis for each participant in order to understand the stories as wholes. Figured worlds (FW) theory was used as a lens for analysing the data for this constructivist research study. RESULTS: Participants entering the FW of remediation perceived that their position as a 'good doctor' was threatened. Lacking experience with this world and with little available support to help them navigate it, participants used their agency to draw on various discursive threads within the FW to construct a narrative account of their remediation. In their narratives, participants tended to position themselves either as victims of regulatory bodies or as resilient individuals who could make the best of a difficult situation. In both cases, the chosen discursive threads enabled them to maintain their self-identity as 'good doctor'. CONCLUSION: Remediation poses a threat to a physician's professional and personal identity. Focusing mainly on the educational aspect of remediation-that is, the improvement in knowledge and skills-risks missing its impact on physician identity. We need to ensure not only that we support physicians in dealing with this identity threat but that our assessment and remediation processes do not inadvertently encourage remediatees to draw on discursive threads that lead them to see themselves as victims.
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».