Psychometric analysis and construct validation of Health Professional Education in Patient Safety Survey in the Indian context
Notice bibliographique
Résumé
Background Improving patient safety (PS) is critical to optimizing healthcare delivery. There is a need to develop curricula or incorporate PS concepts in health professionals' (HPs) education, in both theoretical and practical training. Consequently, there is a need to measure the perception of HPs regarding various PS competencies imparted to them during their training. The Health Professional Education in Patient Safety Survey (H-PEPSS) is a tool that measures HPs' self-reported PS competence and was designed to reflect six sociocultural areas central to PS. The tool has been validated in Canada but not in India. We did a confirmatory factor analysis (CFA) and psychometric validation of the H-PEPSS in the Indian context. Methods The sample comprised 240 HPs. We used the maximum likelihood estimation method on AMOS V20 (SPSS Inc.) to carry out a CFA of the tool. We used the normed fit index, Tucker-Lewis index, comparative fit index, standard root mean square residual, root mean square residual and root mean square error of approximation to evaluate the model fit. Internal consistency and reliability of the six factors of the model were examined using Cronbach's alpha. Convergent validity of the model was examined using average variance extracted and composite reliability. Discriminant validity was examined using the Fornell and Larcker criterion and the heterotrait-monotrait method. Results The results indicate a good fit. The H-PEPSS was found to be reliable and valid for assessing PS competencies among HPs. Comparison of the results with the results of the Canadian setting confirmed external validity. Conclusion The 16-item H-PEPSS has good psychometric properties for use in the Indian context. The 23-item HPEPSS was found to be reliable and valid for assessing PS.
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 | 0,019 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».