Fostering the development of non-technical competencies in medical learners through patient engagement: a rapid review
Notice bibliographique
Résumé
Background: To train physicians who will respond to patients' evolving needs and expectations, medical schools must seek educational strategies to foster the development of non-technical competencies in students. This article aims to synthetize studies that focus on patient engagement in medical training as a promising strategy to foster the development of those competencies. Methods: We conducted a rapid review of the literature to synthetize primary quantitative, qualitative and mixed studies (January 2000-January 2022) describing patient engagement interventions in medical education and reporting non-technical learning outcomes. Studies were extracted from Medline and ERIC. Two independent reviewers were involved in study selection and data extraction. A narrative synthesis of results was performed. Results: Of the 3875 identified, 24 met the inclusion criteria and were retained. We found evidence of a range of non-technical educational outcomes (e. g. attitudinal changes, new knowledge and understanding). Studies also described various approaches regarding patient recruitment, preparation, and support and participation design (e.g., contact duration, learning environment, patient autonomy, and format). Some emerging practical suggestions are proposed. Conclusion: Our results suggest that patient engagement in medical education can be a valuable means to foster a range of non-technical competencies, as well as formative and critical reflexivity. They also suggest conditions under which patient engagement practices can be more efficient in fostering non-instrumental patient roles in different educational contexts. This supports a plea for sensible and responsive interventional approaches.
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 | 0,007 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».