Educational interventions to improve emotional intelligence in nursing and medical students: A systematic review
Notice bibliographique
Résumé
Purpose: Emotional intelligence (EI) is a trainable skillset and has been shown to have a positive impact on clinician wellbeing, patient outcomes, and other personal and professional factors. This review aimed to evaluate and summarize current intervention strategies designed to improve EI in nursing and medical students.Results: Interventions varied by theme, content, learning activities, and duration. Nine different EI measurement instruments were utilized; learning outcomes were assessed by modified Kirkpatrick classifications. Nine out of 12 studies showed significant positive improvements in EI outcome measures post-intervention. Our review demonstrated moderate to high quality OCEBM level 1b and 2b evidence, moderate quality MERSQI/NOS-E risk of bias appraisal, and GRADE-defined desirable intervention effects with respect to positive modifications in Kirkpatrick identified learner perceptions and attitudes.Conclusions: Nearly all interventions resulted in positive change in EI. The greatest improvements resulted from intervention content relating to self-awareness, empathy, problem-solving, stress coping, and use/management of emotions, involved group-based learning activities, and were delivered in 10-15 hours spread over 8-12 weeks. No specific recommendations can be made about timing of interventions within nursing or medical professional curricula. Further research and development of objective behavioral EI skill assessments and patient outcomes is warranted.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».