Setting up and operationalizing a health professions education research (HPER) unit: AMEE Guide No.170
Notice bibliographique
Résumé
In the same way as clinical medicine, health professions education should be evidence-based rather than based on tradition and convenience. Health professions education research (HPER), an academic area that first emerged in the 1950s, is essential for identifying new and better ways to educate health professionals. Again, just as with clinical research, setting up sustainable HPER units is critical to coordinate research efforts and facilitate the production of clear and strategic HPER. In this AMEE guide we draw upon the scholarly and grey literature and our own experiences as HPER unit leaders in several different global contexts to provide practical guidance on establishing and sustaining a HPER unit. We outline the multiple elements and considerations required to set up and operationalize a successful HPER unit, from engagement of key stakeholders and documentation of milestones to the production of programmatic research and its implementation. These are considered under the areas of • Who do you need to partner with? • Setting the agenda - or What will your unit be known for? • Your most valuable resource - people! • Operationalizing your HPER agenda • Leading the way We provide concrete tips on each of the above and illustrate these key steps with examples from our own experiences or the wider literature. Whether the reader is beginning, maintaining, or seeking to renew their HPER unit, we hope that the guidance we provide is as useful as it has been to us during our own research program building endeavours.
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 | 0,007 | 0,012 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».