Exploring the Study of Simulation as a Continuing Professional Development Strategy for Physicians
Notice bibliographique
Résumé
INTRODUCTION: Practicing physicians have the responsibility to engage in lifelong learning. Although simulation is an effective experiential educational strategy, physicians seldom select it for continuing professional development (CPD) for reasons that are poorly understood. The objective of this study was to explore existing evidence on simulation-based CPD and the factors influencing physicians' engagement in simulation-based CPD. METHODS: A scoping review of the literature on simulation-based CPD included MEDLINE, Embase, and CINAHL databases. Studies involving the use of simulation for practicing physicians' CPD were included. Information related to motivations for participating in simulation-based CPD, study objectives, research question(s), rationale(s), reasons for using simulation, and simulation features was abstracted. RESULTS: The search yielded 8609 articles, with 6906 articles undergoing title and abstract screening after duplicate removal. Six hundred sixty-one articles underwent full-text screening. Two hundred twenty-five studies (1993-2021) were reviewed for data abstraction. Only four studies explored physicians' motivations directly, while 31 studies described incentives or strategies used to enroll physicians in studies on simulation-based CPD. Most studies focused on leveraging or demonstrating the utility of simulation for CPD. Limited evidence suggests that psychological safety, direct relevance to clinical practice, and familiarity with simulation may promote future engagement. DISCUSSION: Although simulation is an effective experiential educational method, factors explaining its uptake by physicians as a CPD strategy are unclear. Additional evidence of simulation effectiveness may fail to convince physicians to participate in simulation-based CPD unless personal, social, educational, or contextual factors that shape physicians' motivations and choices to engage in simulation-based CPD are explored.
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 | 0,023 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».