Teaching Patients About Pain: The Emergence of Pain Science Education, its Learning Frameworks and Delivery Strategies
Notice bibliographique
Résumé
Since it emerged in the early 2000's, intensive education about 'how pain works', widely known as pain neuroscience education or explaining pain, has evolved into a new educational approach, with new content and new strategies. The substantial differences from the original have led the PETAL collaboration to call the current iteration 'Pain Science Education'. This review presents a brief historical context for Pain Science Education, the clinical trials, consumer perspective, and real-world clinical data that have pushed the field to update both content and method. We describe the key role of educational psychology in driving this change, the central role of constructivism, and the constructivist learning frameworks around which Pain Science Education is now planned and delivered. We integrate terminology and concepts from the learning frameworks currently being used across the PETAL collaboration in both research and practice-the Interactive, Constructive, Active, Passive framework, transformative learning theory, and dynamic model of conceptual change. We then discuss strategies that are being used to enhance learning within clinical encounters, which focus on the skill, will, and thrill of learning. Finally, we provide practical examples of these strategies so as to assist the reader to drive their own patient pain education offerings towards more effective learning. PERSPECTIVE: Rapid progress in several fields and research groups has led to the emergence 'Pain Science Education'. This PETAL review describes challenges that have spurred the field forward, the learning frameworks and educational strategies that are addressing those challenges, and some easy wins to implement and mistakes to avoid.
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 | 0,036 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes 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 ».