Healthcare workers’ understanding of interprofessional education and collaborative practice in regional health settings: A survey study
Notice bibliographique
Résumé
Introduction: Interprofessional education and collaborative practice can enhance outcomes for patients and families. Facilitating collaborative practice at the point of care requires skilled healthcare workers who understand relevant terminology and concepts. However, gaps persist in the understanding and facilitation of interprofessional education and collaborative practice in some health settings. This survey study investigated healthcare workers’ perceived knowledge and understanding of interprofessional education and collaborative practice. Methods: A bespoke online survey was administered to healthcare workers from two regional health services in Queensland, Australia. Data were subject to descriptive and inferential analyses. Results: Data were available from 235 healthcare workers. Multiple regression analysis revealed that claiming to understand the difference between different models of service delivery, the ability to explain interprofessional education to a colleague and being an allied health practitioner were statistically significant predictors of a high knowledge of interprofessional practice score. Very few respondents were trained in this area (6%, n = 14), and those trained reported higher confidence in facilitating interprofessional education and collaborative practice at the point of care. Conclusion: This study has highlighted the gaps in healthcare workers’ perceived knowledge and understanding of interprofessional education and collaborative practice. Healthcare workers need targeted professional development opportunities to develop the skills, knowledge and attitudes necessary for practising in interprofessional teams. They also need opportunities to facilitate it with students and others. Improving interprofessional and collaborative practice within teams will ultimately improve healthcare outcomes of patients serviced by healthcare workers.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».