Training health professionals in shared decision making: Update of an international environmental scan
Notice bibliographique
Résumé
Objective To update an environmental scan of training programs in SDM for health professionals. Methods We searched two systematic reviews for SDM training programs targeting health professionals produced from 2011 to 2015, and also in Google and social networks. With a standardized data extraction sheet, one reviewer extracted program characteristics. All completed extraction forms were validated by a second reviewer. Results We found 94 new eligible programs in four new countries and two new languages, for a total of 148 programs produced from 1996 to 2015—an increase of 174% in four years. The largest percentage appeared since 2012 (45.27%). Of the 94 newprograms, 42.55% targeted licensed health professionals (n = 40), 8.51% targeted pre-licensure (n = 8), 28.72% targeted both (n = 27), 20.21% did not specify (n = 19), and 5.32% targeted also patients (n = 5). Only 23.40% of the new programs were reported as evaluated, and 21.28% had published evaluations. Conclusions Production of SDM training programs is growing fast worldwide. Like the original scan, this update indicates that SDM training programs still vary widely. Most still focus on the single provider/patient dyad and few are evaluated. Practice implications This update highlights the need to adapt training programs to interprofessional practice and to evaluate them.
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 | 0,113 | 0,338 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,037 | 0,032 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».