Performance Data Advocacy for Continuing Professional Development in Health Professions
Notice bibliographique
Résumé
ABSTRACT: Efforts to optimize continuing professional development (CPD) are ongoing and include advocacy for the use of clinician performance data. Several educational and quality-based frameworks support the use of performance data to achieve intended improvement outcomes. Although intuitively appealing, the role of performance data for CPD has been uncertain and its utility mainly assumed. In this Scholarly Perspective, the authors briefly review and trace arguments that have led to the conclusion that performance data are essential for CPD. In addition, they summarize and synthesize a recent and ongoing research program exploring the relationship physicians have with performance data. They draw on Collins, Onwuegbuzie, and Johnson's legitimacy model and Dixon-Woods' integrative approach to generate inferences and ways of moving forward. This interpretive approach encourages questioning or raising of assumptions about related concepts and draws on the perspectives (i.e., interpretive work) of the research team to identify the most salient points to guide future work. The authors identify 6 stimuli for future programs of research intended to support broader and better integration of performance data for CPD. Their aims are to contribute to the discourse on data advocacy for CPD by linking conceptual, methodologic, and analytic processes and to stimulate discussion on how to proceed on the issue of performance data for CPD purposes. They hope to move the field from a discussion on the utility of data for CPD to deeper integration of relevant conceptual frameworks.
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 | 0,225 | 0,420 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,031 |
| Communication savante | 0,023 | 0,021 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,008 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».