A Qualitative Study to Understand the Cultural Factors That Influence Clinical Data Use for Continuing Professional Development
Notice bibliographique
Résumé
INTRODUCTION: The use of data to inform lifelong learning has become increasingly important in continuing professional development (CPD) practice. Despite the potential benefits of data-driven learning, our understanding of how physicians engage in data-informed learning activities, particularly for CPD, remains unclear and warrants further study. The purpose of this study was to explore how physicians perceive cultural factors (individual, organizational, and systemic) that influence the use of clinical data to inform lifelong learning and self-initiated CPD activities. METHODS: This qualitative study is part of an explanatory sequential mixed-methods study examining data-informed learning. Participants were psychiatrists and general surgeons from Canada and the United States. Recruitment occurred between April 2019 and November 2019, and the authors conducted semistructured telephone interviews between May 2019 and November 2019. The authors performed thematic analysis using an iterative, inductive method of constant comparative analysis. RESULTS: The authors interviewed 28 physicians: 17 psychiatrists (61%) and 11 general surgeons (39%). Three major themes emerged from the continuous, iterative analysis of interview transcripts: (1) a strong relationship between data and trust, (2) a team-based approach to data-informed learning for practice improvement, and (3) a need for organizational support and advocacy to put data into practice. CONCLUSION: Building trust, taking a team-based approach, and engaging multiple stakeholders, such as data specialists and organizational leadership, may significantly improve the use of data-informed learning. The results are situated in the existing literature, and opportunities for future research are summarized.
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 | 0,022 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».