Excellence in Academic Physical Therapy: Promoting a Culture of Data Sharing
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Data analytics are increasingly important in health professions education to identify trends and inform organizational change in rapidly evolving environments. Unfortunately, limitations exist in data currently available to determine physical therapy (PT) academic excellence. It is imperative that the American Council of Academic Physical Therapy (ACAPT) be able to demonstrate data-informed progress in addressing the common challenges faced by Doctor of Physical Therapy programs. POSITION AND RATIONALE: The Task Force to Explore Data and Technology to Evaluate Program Outcomes was convened by ACAPT to explore current and desired data and the needs, technology, and costs that would be required for ACAPT to assess program outcomes relative to excellence criteria. The Task Force performed a gap analysis of measures of excellence, provided evidence-based recommendations for advancing the use of data and technology systems in academic PT, and generated a comprehensive Assessment Excellence Map that subsequently led to a new streamlined Excellence Framework in the launch of the ACAPT Center for Excellence. DISCUSSION AND CONCLUSION: The vision of universal excellence in PT education necessitates clear alignment and centralization of common data to support efficient processes to assess excellence. The transformative nature of data is untapped in PT academic endeavors, and nascent work to establish and sustain a culture of centralized data sharing and assessment will help to drive program-level and profession-level excellence in PT 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 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 | 0,403 | 0,401 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,017 | 0,038 |
| Communication savante | 0,042 | 0,032 |
| Science ouverte | 0,007 | 0,065 |
| Intégrité de la recherche | 0,006 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».