Winging it: a qualitative study of knowledge-acquisition experiences for early adopting providers of medical assistance in dying
Notice bibliographique
Résumé
Background: Medical Assistance in Dying (MAID) was legalized in Canada without a designated period for implementation. Providers did not have access to customary alternatives for training and mentorship during the first 1-3 years after legalization. Objective: To report on how doctors prepared for their first provision of MAID in the early period after legalization in Canada. Design: Qualitative research design within an interpretive phenomenological theoretical framework. We asked participants to describe their experiences preparing for first MAID provision. Analysis of transcripts elicited themes regarding training and information desired by early adopters for provision of newly legalized MAID. Participants: Twenty-one early adopting physician-providers in five Canadian provinces were interviewed. Results: Few formal training opportunities were available. Many early-adopting providers learned about the procedure from novel sources using innovative methods. They employed a variety of strategies to meet their needs, including self-training and organizing provider education groups. They acknowledged and reflected on uncertainty and knowledge gained from unexpected experiences and missteps. Key phrases from participants indicated a desire for early training and mentorship. Limitations: This study included only the perspective of physicians who were providers of MAID. It does not address the training needs for all health practitioners who receive requests for assisted death nor report the patient/family experience. Conclusion: The Canadian experience demonstrates the importance of establishing accessible guidance and training opportunities for providers at the outset of implementation of newly legalized assisted dying.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».