Exploring Systemic Influences on Data-Informed Learning: Document Review of Policies, Procedures, and Legislation from Canada and the United States
Notice bibliographique
Résumé
INTRODUCTION: Despite the support for and benefits of data-driven learning, physician engagement is variable. This study explores systemic influences of physician use of data for performance improvement in continuing professional development (CPD) by analyzing and interpreting data sources from organizational and institutional documents. METHODS: The document analysis is the third phase of a mixed-methods explanatory sequential study examining cultural factors that influence data-informed learning. A gray literature search was conducted for organizations both in Canada and the United States. The analysis contains nonparticipant observations from professional learning bodies and medical specialty organizations with established roles within the CPD community known to lead and influence change in CPD. RESULTS: Sixty-two documents were collected from 20 Canadian and American organizations. The content analysis identified the following: (1) a need to advocate for data-informed self-assessment and team-based learning strategies; (2) privacy and confidentiality concerns intersect at the point of patient data collection and physician-generated outcomes and need to be acknowledged; (3) a nuanced data strategy approach for each medical specialty is needed. DISCUSSION: This analysis broadens our understanding of system-level factors that influence the extent to which health information custodians and physicians are motivated to engage with data for learning.
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 | 0,111 | 0,233 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,023 | 0,036 |
| Études des sciences et des technologies | 0,016 | 0,009 |
| Communication savante | 0,012 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 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 ».