MétaCan
Menu
Retour à la cohorte
Enregistrement W4315486876 · doi:10.1186/s12909-022-03925-3

Technology and clinician-learner interaction: how clinicians expect introduction of a new electronic health record to affect educational practice

2023· article· en· W4315486876 sur OpenAlexaff
Julianna Caon, Kevin W. Eva

Notice bibliographique

RevueBMC Medical Education · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of British ColumbiaUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésAffect (linguistics)Medical educationHealth careStakeholderMedicineStakeholder engagementPsychologyPublic relations

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Electronic health records (EHRs) are increasingly common platforms used in medical settings to capture and store patient information, but their implementation can have unintended consequences. One particular risk is damaging clinician-learner-interactions, but very little has been published about how EHR implementation affects educational practice. Given the importance of stakeholder engagement in change management, this research sought to explore how EHR implementation is anticipated to affect clinician-learner interactions, educational priorities and outcomes. METHODS: Semi-structured interviews were conducted with a group of practicing oncologists who work in outpatient clinics while also providing education to medical student and resident trainees. Data regarding perceived impact on the teaching dynamic between clinicians and learners were collected prior to implementation of an EHR and analyzed thematically. RESULTS: Physician educators expected EHR implementation to negatively influence their engagement in teaching and the learning they themselves normally gain through teaching interactions. Additionally, EHR implementation was expected to influence learners by changing what is taught and the students' role in clinical care and the educational dynamic. Potential benefits included harnessing learners' technological aptitude, modeling adaptive behaviour, and creating new ways for students to be involved in patient care. CONCLUSION: Anticipating the concerns clinicians have about EHR implementation offers both potential to manage change to minimize disruptions caused by implementation and a foundation from which to assess actual educational impacts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,079
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,079
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0070,003
Science ouverte0,0010,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,533
Écart entre enseignants0,456 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Medical EducationMême sujetElectronic Health Records SystemsTravaux en français237 207