Instructional methods used by health sciences librarians to teach evidence-based practice (EBP): a systematic review
Notice bibliographique
Résumé
Background: Librarians often teach evidence-based practice (EBP) within health sciences curricula. It is not known what teaching methods are most effective.Methods: A systematic review of the literature was conducted searching CINAHL, EMBASE, ERIC, LISTA, PubMed, Scopus, and others. Searches were completed through December 2014. No limits were applied. Hand searching of Medical Library Association annual meeting abstracts from 2009–2014 was also completed. Studies must be about EBP instruction by a librarian within undergraduate or graduate health sciences curricula and include skills assessment. Studies with no assessment, letters and comments, and veterinary education studies were excluded. Data extraction and critical appraisal were performed to determine the risk of bias of each study.Results: Twenty-seven studies were included for analysis. Studies occurred in the United States (20), Canada (3), the United Kingdom (1), and Italy (1), with 22 in medicine and 5 in allied health. Teaching methods included lecture (20), small group or one-on-one instruction (16), computer lab practice (15), and online learning (6). Assessments were quizzes or tests, pretests and posttests, peer review, search strategy evaluations, clinical scenario assignments, or a hybrid. Due to large variability across studies, meta-analysis was not conducted.Discussion: Findings were weakly significant for positive change in search performance for most studies. Only one study compared teaching methods, and no one teaching method proved more effective. Future studies could conduct multisite interventions using randomized or quasi-randomized controlled trial study design and standardized assessment tools to measure outcomes.
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 | 0,070 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».