The state of wellbeing education across North American medical schools: a scoping review
Notice bibliographique
Résumé
Background/Objective: Medical students experience increased rates of burnout and mental illness compared to the general population. Yet, it is unclear to what extent North American medical schools have adopted formal wellbeing curricula. We sought to establish prevailing themes of existing wellbeing educational interventions to identify opportunities for further curricular development. Methods: We conducted a scoping review of the literature to identify wellbeing education programs implemented for undergraduate medical students across North America. We searched four comprehensive databases and grey literature and only included published original research. Two independent researchers screened all papers, with a third resolving disagreements. Two researchers conducted the data extraction using a continuously refined template, with a third researcher resolving any discrepancies. Results: We identified 3996 articles in the initial search of which 30 met inclusion criteria and were included for further analysis. The most common types of interventions were mindfulness and meditation practices. 27 studies found that their wellbeing sessions contributed to positive wellbeing outcomes of learners. Conclusions: Our review identified that there are few wellbeing curricular initiatives that have been evaluated and published in the literature. Additionally, the methodology and rigour of wellbeing curriculum evaluation to date leaves significant room for improvement. The existing literature does suggest that the adoption of a wellbeing curriculum has the potential to improve outcomes for medical students. These findings can be used to assist the development of a validated wellbeing curricular framework for wellbeing initiatives. However, while such a curriculum may represent an effective tool in enhancing medical trainee wellbeing, it cannot effect change in isolation; lasting and meaningful change will require concurrent shifts within the broader systemic framework and cultural fabric of the medical education system.
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 | 0,020 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,027 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».