MétaCan
Menu
Retour à la cohorte
Enregistrement W4382313069 · doi:10.35680/2372-0247.1742

Storytelling at board meetings: A case study of co-developing recommendations

2023· article· en· W4382313069 sur OpenAlexaffabout
Dawn P. Richards, Kimberly Strain, Lisa Hawthornthwaite, Isabel Jordán, Carol Fancott

Notice bibliographique

RevuePatient Experience Journal · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueEmpathy and Medical Education
Établissements canadiensCARE Canada
Organismes subventionnairesnon disponible
Mots-clésStorytellingHarmHonorHealth carePatient experiencePublic relationsPsychologyNursingMedicineMedical educationInternet privacyNarrativePolitical scienceSocial psychologyComputer science

Résumé

récupéré en direct d'OpenAlex

In healthcare, stories shared by patients often provide details and insights into experiences of illness and care. Stories are a way to educate healthcare providers and others to improve care and systems to become more patient and family centred and to better meet patients’ needs and priorities. Telling stories may bring benefits to both storytellers and audience members but also presents risks of harm. A reflective storytelling practice aims to honor stories and storytellers by ensuring there is time to prepare, reflect, learn, ask questions, and engage in dialogue with the storyteller to explore what went well and where there are learning and improvement opportunities. Healthcare Excellence Canada (HEC) is a pan-Canadian health organization focused on improving the quality and safety of care in Canada. HEC commits to engage patients, caregivers, and communities and aims to develop practices and structures to enable engagement activities. At the request of the HEC Board, the Patient Engagement and Partnerships team co-developed recommendations on the process for how best to meaningfully share stories at Board meetings, including stories from those leading, providing, and receiving care. This Case Study outlines the process HEC used to co-develop storytelling recommendations, focusing on a trauma-informed approach to create safe spaces for preparing, learning from and reflecting on stories, to clearly articulate their purpose, and to ensure the locus of control for storytelling rests with the storytellers. This Case Study shares these recommendations and invites other organizations to use these recommendations and/or adapt them within their own context. Experience Framework This article is associated with the Infrastructure & Governance lens of The Beryl Institute Experience Framework (https://www.theberylinstitute.org/ExperienceFramework). Access other PXJ articles related to this lens. Access other resources related to this lens.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,296

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,395
Écart entre enseignants0,317 · 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 tête enseignante, 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

Citations5
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePatient Experience JournalMême sujetEmpathy and Medical EducationTravaux en français237 207