Medical students’ intention to integrate digital health into their medical practice: A pre-peri COVID-19 survey study in Canada
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
Objective We aimed to explore the factors that influence medical students’ intention to integrate dHealth technologies in their practice and analyze the influence of the COVID-19 pandemic on their perceptions and intention. Methods We conducted a two-phased survey study at the University of Montreal's medical school in Canada. The study population consisted of 1367 medical students. The survey questionnaire was administered in two phases, that is, an initial survey (t 0 ) in February 2020, before the Covid-19 pandemic, and a replication survey (t 1 ) in January 2021, during the pandemic. Component-based structural equation modeling (SEM) was used to test seven research hypotheses. Results A total of 184 students responded to the survey at t 0 (13%), whereas 138 responded to the survey at t 1 (10%). Findings reveal that students, especially those who are in their preclinical years, had little occasion to experiment with dHealth technologies during their degree. This lack of exposure may explain why a vast majority felt that dHealth should be integrated into medical education. Most respondents declared an intention to integrate dHealth, including AI-based tools, into their future medical practice. One of the most salient differences observed between t 0 and t 1 brings telemedicine to the forefront of medical education. SEM results confirm the explanatory power of the proposed research model. Conclusions The present study unveils the specific dHealth technologies that could be integrated into existing medical curricula. Formal training would increase students’ competencies with these technologies which, in turn, could ease their adoption and effective use in their practice.
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 | 0,008 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle