An Evaluation of the Transfer of Skills and Knowledge from Two World Federation of Societies of Anaesthesiologists Fellowship Programs
Notice bibliographique
Résumé
BACKGROUND: Subspecialist training is an important part of developing human resources for health and for some learners, may require taking place in another, higher-resourced country. Despite effective learning of skills and knowledge in a different, more highly resourced context, transfer of these skills and knowledge back to a more poorly resourced context can be a challenge. We aimed to evaluate the transfer of skills and knowledge in 2 World Federation of Societies of Anaesthesiologists (WFSA) fellowship programs. METHODS: This qualitative program evaluation study, guided by Guskey's evaluation framework, used in-depth interviews of both faculty and graduates of the 2 fellowship programs. Interviews were conducted remotely, transcribed verbatim, and analyzed using qualitative content and pattern analysis. RESULTS: We interviewed 2 administrators, 10 faculty members, 17 graduated fellows, and 3 graduated fellows now in the role of faculty member in that fellowship. Key themes were barriers and enablers to the transfer of skills, including workplace and staffing, resources, mentorship, the interprofessional team, and leadership. Graduated fellows were able to have an impact on returning home in the areas of practice and service development, research, and teaching. CONCLUSIONS: Our study found that the 2 fellowship programs had variable success in the transfer of learned skills and knowledge back to the fellows' "home" institutions. Contextual differences between the fellowship institution and the home institution were the main source of barriers to transfer, and fellows from different countries had diverse needs. Supporting the transfer of knowledge and skills should be an explicit goal of these fellowship programs, and as such, should be considered in the recruitment of fellows, curriculum development, and in how the success of a fellowship is evaluated. Curricula should not just focus on medical knowledge and skills, but also skills in leading change and in education.
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 | 0,040 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| 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 ».