The Aging Care 5Ms Competencies: A Modified Delphi Study to Revise Medical Student Competencies for the Care of Older Adults
Notice bibliographique
Résumé
PURPOSE: To revise the 2009 Canadian Geriatrics Society (CGS) Core Competencies in the Care of Older Persons for Canadian Medical Students by applying current frameworks and using a modified Delphi process. METHOD: The working group chose the Geriatric 5Ms model and CanMEDS framework to develop and structure the competencies. National (i.e., Canadian) Delphi participants were recruited, and 3 Delphi survey rounds were conducted from 2019 to 2021. Each survey round collected quantitative data using a 7-point Likert scale (LS) and qualitative data using free-text comments. The purpose of the first round was to establish the importance of the components of the proposed competencies (categorized into 13 subsections) and identify additional themes. The second round assessed agreement with 31 proposed competencies organized into 7 themes: aging, caring for older adults, mind, mobility, medications, multicomplexity, and matters the most. The third survey-rated agreement levels after further revisions to the competencies were applied. The final 33 competencies were shared with survey participants for feedback and other stakeholders for external validation. RESULTS: Mean LSs for the importance of the 13 competency component subsections on the first survey varied from 5.11 to 6.54, with an agreement level of 73%-93%. New themes emerged from the qualitative comments. Mean LSs for the 31 competencies on the second survey ranged from 5.57 to 6.81, with an agreement level of 80%-97%. Mean LSs for the revised competencies on the third survey ranged from 5.83 to 6.65, with an agreement level of 83%-95%. CONCLUSIONS: The authors developed the 33 Aging Care 5Ms Competencies for Canadian medical students using a consensus process. The competencies fulfill an important need in medical education, and ultimately, society. The authors strongly believe that the competencies can be woven into existing undergraduate medical curricula through purposeful integration and collaboration, including with other specialties.
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 | 0,073 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».