Curricula, Teaching Methods, and Success Metrics of Clinician–Scientist Training Programs: A Scoping Review
Notice bibliographique
Résumé
PURPOSE: To describe the literature on clinician-scientist training programs to inform the development of contemporary and inclusive training models. METHOD: The authors conducted a scoping review, searching the PubMed/MEDLINE, CINAHL, and Embase databases from database inception until May 25, 2020. Studies presenting primary research that described and evaluated clinician-scientist training programs were identified for data abstraction. On the basis of deductive and inductive methods, information about program characteristics, curricula, teaching strategies, and success metrics was extracted. The extracted variables were analyzed using descriptive statistics. RESULTS: From the initial 7,544 citations retrieved and 4,974 unique abstracts screened, 81 studies were included. Of the 81 included studies, 65 (80.2%) were published between 2011 and 2020, 54 (66.7%) were conducted in the United States, and 64 (79.0%) described programs that provided broad clinician-scientist training. Few programs provided funding or protected research time or specifically addressed needs of trainees from underrepresented minority groups. Curricula emphasized research methods and knowledge dissemination, whereas patient-oriented research competencies were not described. Most programs incorporated aspects of mentorship and used multiple teaching strategies, such as direct and interactive instruction. Extrinsic metrics of success (e.g., research output) were dominant in reported program outcomes compared with markers of intrinsic success (e.g., career fulfillment). CONCLUSIONS: Although programs are providing clinician-scientists with practical skills training, opportunities exist for curricular and pedagogic optimization that may better support this complex career path. Training programs for clinician-scientists can address contemporary issues of wellness and equity by reconsidering metrics of program success and evolving the core tenets of their education models to include equity, diversity, and inclusion principles and patient-oriented research competencies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,191 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,030 | 0,030 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».