Methodological approaches for identifying competencies for the physiotherapy profession: a scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Physiotherapy competencies inform the education and regulation of the profession. Many different methods appear to be used to identify competencies and there is no consensus on optimal methods to identify competencies. The purpose of this review is to synthesize the methodological approaches used to identify competencies for the physiotherapy profession and summarize the nature of those competencies. We searched MEDLINE, EMBASE, CINAHL, and the grey literature from inception to June 2020. Two independent reviewers screened for empirical peer-reviewed articles that aimed to identify professional physiotherapy competencies. General study characteristics, competency characteristics (e.g., target practice area), and methodological characteristics (e.g., study population, data collection and analysis method for each methodological step) were extracted. Descriptive statistics and narrative synthesis were performed. Of the 9529 references screened, 38 articles describing 35 studies published between 1980 and 2020 were included. Orthopaedics (20.0%) was the most commonly targeted area of practice. Studies used one to eight methodological steps whose objective was to generate (16 studies), validate (18 studies), assign value (21 studies), refine (10 studies), or triangulate (3 studies) competencies, or to address multiple objectives (10 studies). The most commonly used methods were surveys to assign value (n = 20, 95%), and group techniques to refine competencies (n = 7, 70%). Physiotherapists with experience in the area of competence was the most commonly consulted stakeholder group (80% of studies). This review can provide methodological guidance to stakeholders such as educators and regulators that aim to identify professional competencies in the future.
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.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle