Development of learning objectives for a medical assistance in dying curriculum for Family Medicine Residency
Notice bibliographique
Résumé
BACKGROUND: Medical assistance in dying (MAID) became legal across Canada when Bill C-14 was passed in 2016. Currently, little is known about the most effective strategies for providing MAID education, and the importance of integrating MAID into existing curricula. In this study, a set of learning objectives (LOs) was developed to inform a foundational MAID curriculum in Canadian Family Medicine (FM) residency training programs. METHODS: Mixed methods were used to develop LOs based on a published needs assessment from a large, four-site family medicine residency program in southeastern Ontario. Draft LOs were evaluated and revised by faculty and resident leaders using a modified Delphi process and a focus group. LOs were mapped to the existing family medicine residency curriculum, as well as the College of Family Physicians of Canada's Priority Topics. RESULTS: Nine LOs were developed to provide a foundational education regarding MAID. While all LOs could be mapped to the Domains of Clinical Care within the departmental curriculum, they mapped inconsistently to departmental Entrustable Professional Activities and the Priority Topics. LOs focused on patient education and identification of patient goals were most readily mapped to existing curricular framework, while LOs with MAID-exclusive content revealed gaps in the current curriculum. CONCLUSIONS: The developed LOs provide a guide to ensure family medicine residents obtain generalist-level knowledge to counsel their patients about MAID. These LOs can serve as a model for developing LOs for both family medicine and specialist residency programs in Canada and in countries where MAID is legal.
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 | 0,005 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».