MétaCan
Menu
← Retour à la cohorte
Enregistrement W4399561766 · doi:10.1080/28338073.2024.2363550

Impact of Educational Activity Formats, Online or In-Person, on the Intention of Medical Specialists to Adopt a Clinical Behaviour: A Comparative Study

2024· article· en· W4399561766 sur OpenAlexafffund
Gloria Ayivi-Vinz, Martin Tremblay, Souleymane Gadio, Suélène Georgina Dofara, Sam J. Daniel, Denis Talbot, France Légaré

Notice bibliographique

RevueJournal of CME · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensCentre hospitalier universitaire de QuébecCentre intégré universitaire de santé et de services sociaux de la Capitale-NationaleCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalCentre de Santé et de Services Sociaux de la Vieille-CapitaleUniversité LavalCentre Intégré Universitaire de Santé et de Services Sociaux du Saguenay–Lac-Saint-Jean
Organismes subventionnairesFonds de Recherche du Québec - Santé
Mots-clésPsychologyMedical educationApplied psychologyMedicine

Résumé

récupéré en direct d'OpenAlex

COVID-19 accelerated continuing professional development (CPD) delivered online. We aimed to compare the impact of in-person versus online CPD courses on medical specialists’ behavioural intentions and subsequent behaviour. In this comparative before-and-after study, medical specialists attended in-person courses on nine clinical topics. A second group attended an adapted online version of these courses. Behavioural intention and its psychosocial determinants were measured before and immediately after the courses. Behaviour change was measured six months later. Generalised estimating equation (GEE) models were used to compare the impact of course formats. A total of 82/206 in-person registrants (mean age: 52±10 years; 50% men) and 318/506 on-line registrants (mean age: 49±12 years; men: 63%) participated. Mean intention before in-person courses was 5.99±1.31 and 6.43±0.80 afterwards (average intention gain 0.44, CI: 0.16–0.74; p=0.003); mean intention before online courses was 5.53±1.62 and 5.98±1.40 afterwards (average intention gain of 0.45, CI: 0.30–0.58; p<0.0001). Difference in intention gain between groups was not statistically significant. Behaviour reported six months later was not significantly associated with post-course intention in either group. However, the intention difference increased significantly among those who said they had adopted the targeted behaviour (paired wilcoxon test: n = 40 and p-value=0.002) while it did not increase significantly in the group of those who had not adopted a targeted behaviour (paired wilcoxon test: n = 16 and p-value=0.223).In conclusion, the increase in intention of specialists after CPD courses was similar whether the course was in-person or online. Also, an increase in intention in both groups signalled more likelihood of adoption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,312
Tête enseignante GPT0,634
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of CME→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→