Residency spiral concussion curriculum design
Notice bibliographique
Résumé
BACKGROUND: Resident-focused concussion curricula that measure learner behaviours are currently unavailable. We sought to fill this gap by developing and iteratively implementing a Spiral Integrated Concussion Curriculum (SICC). APPROACH: Programme elements of the concussion curriculum include academic half-days (AHDs) and three half-day clinics for first- and second-year family medicine residents. Our SICC utilises social cognitive learning principles, the constructivism paradigm and utilisation-focused evaluation. EVALUATION: A mixed-method evaluation with a pre-/post-test design and interviews was utilised. Surveys and knowledge tests were used to measure knowledge and confidence pre-AHD and 6 months post-AHD. Interviews at 6 months explored programme perception and behaviour change. Of the 141 programme attendees, 114 (80%) participated in the pre-intervention knowledge test and 33 completed the pre- and post-AHD test. Immediate pre-/post-testing demonstrated statistically significant improvement in knowledge (p = 0.042). At 6 months post-AHD, residents in Cycle 1 (n = 5) had a knowledge decrease of 3.33% (p > 0.05). Residents in Cycle 2 (n = 7) had a knowledge increase of 11.6% (p > 0.05). Both cycles of residents had an increase in confidence (Cycle 1: 65.0% [p = 0.025]; Cycle 2: 62.8% [p = 0.0014]). Residents (5 out of 6) reported positive behavioural changes at 6 months. Valued programme elements included concussion diagnosis and management, the self-study guide resource and the organised structure. IMPLICATIONS: The SICC enriched these residents' learning and fostered sustained knowledge improvement and behavioural change at 6 months post-intervention. This approach may provide a workable design for future competency-based curriculum development.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,006 |
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 ».