Best Practices for the Implementation and Sustainment of Virtual Health Information System Training: Qualitative Study (Preprint)
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. CLINICALTRIAL
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 | 0,035 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,008 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».