Evaluation of a reflection-based program for health professional continuing competence
Notice bibliographique
Résumé
Abstract Introduction Health professional regulators have a mandate to ensure ongoing competence of their regulated members (registrants). Programs for monitoring and assessing continuing competence are one means of assuring the public of the quality of professional services. More regulators are adopting programs for continuing competence that require registrants to demonstrate reflective practice and practice improvement. More research on the effectiveness of reflection-based programs for continuing competence is needed. This study describes the evaluation of a reflection-based continuing competence program used by a regulator in Alberta, Canada. Methods Submission of a Continuing Competence Learning Plan (CCLP) is a requirement for practice permit renewal each year. CCLP submissions were randomly selected over a two-year period and rated according to a rubric. CCLP submission ratings and quality and quantity of content were compared. CCLP submission ratings were also compared to demographic and practice profile variables to identify significant relationships that could be used for risk-based selection of CCLP submissions in the future. Results Most registrants selected for review completed acceptable CCLP submissions that included reflective content. There was a relationship between CCLP submission rating and the gender identity of participants. There was no relationship between CCLP submission rating and participants' age, years since graduation, practice area, role or setting, client age range, or geographic location of primary employer. Conclusions The absence of statistically significant relationships between demographic and practice profile variables, other than gender identity, suggests that the other factors identified in the literature as risks to competence and professional conduct, are not necessarily risk factors for how registrants complete their CCLP submissions. Further comparison of CCLP submission ratings to other workplace and personal factors is required to identify those that may be useful for risk-based selection for CCLP submission review.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».