Rural medical education as a solution to rural physician shortages: an exploration of the motivations and engagement of rural physician-educators in Prince Edward Island, Canada
Notice bibliographique
Résumé
INTRODUCTION: Medical education is increasingly taking place in rural areas as this is known to help physician recruitment to rural areas. A medical school is planned for Prince Edward Island (PEI) that would use community-based learning as a core principle, yet little is known about the specific factors that influence our rural physicians' participation and engagement in medical education. Our objective is to describe these factors. METHODS: Using mixed-methods, we conducted a survey of all physician-teachers on PEI and conducted semi-structured interviews with self-selected survey respondents. We gathered quantitative and qualitative data, and conducted an analysis of themes. RESULTS: The study is ongoing and will be completed before March 2022. Early survey results suggest that faculty teach because they enjoy it, and due to a sense of \"paying it forward\" and \"duty\". They face major workload challenges but are very interested in improving their teaching skills. They see themselves as clinician-teachers but not as scholars. DISCUSSION: Locating medical education in rural communities is known to alleviate physician shortages in those areas. Our early findings suggest novel factors such as identity, and traditional factors such as workload and resources, influence teaching engagement for rural physicians. Our findings also suggest that rural physicians' interest in improving their teaching is not being met by current methods. Our research contributes to the study of factors influencing rural physicians' motivation and engagement in teaching. Further research is required to understand how these findings compare with urban settings, and the implications of these differences for supporting rural medical education.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».