Intégration des patients enseignants dans les études de médecine
Notice bibliographique
Résumé
INTRODUCTION: In a social context supportive of patient engagement throughout society, many scientific claims are in favour of developing patient engagement in medical education. However, few studies have objectively investigated current practices and the obstacles to patient engagement from the point of view of medical educators. PURPOSE OF RESEARCH: This study aimed at investigating medical educators' practices regarding patient engagement, and their expectations and self reported obstacles. METHOD: This study's design was observational, cross-sectional and monocentered. Survey responses were queried by email from 565 academic medical educators at the Rennes Medical School in 2019. Patient engagement was ranked in four levels based on Pomey's theoretical frame, ranging from use of health data to cocreation of training programs. RESULTS: The response rate was 23% (N = 128). The educator's profiles were diverse in age, specialty and status. 35 declared involving patients in their teachings, 4 of them declared cocreating courses with the patients. The remaining 93 educators did not involve patients in their course and reported some obstacles. The main obstacles were: never thought about it (60%), difficulties selecting the patient (36%) and lack of time (21%). The patient's role as a teacher was not disregarded. CONCLUSIONS: This first study about academic educator's perspectives toward patient engagement in medical training identified obstacles and pathways to promote patient engagement.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».