A multi-institution longitudinal randomised control trial of speaking up: Implications for theory and practice
Notice bibliographique
Résumé
Background: Speaking up is an important yet challenging aspect of health professional communication. To overcome social-cognitive influences and improve speaking up, an intervention based on Kolb's experiential learning cycle was developed, which integrated Virtual Simulation, curriculum, and practice speaking up. The present study investigated if integrating Virtual Simulation influenced Respiratory Therapy students' ability to challenge a physician compared to a control condition at multiple time points during training. Methods: A multi-institutional longitudinal randomized control trial was conducted. Students from two schools completed a Virtual Simulation or No Virtual Simulation before classroom instruction on speaking up and an in-person simulation requiring speaking up. After three-to-six months and post-clinical placement, students completed a second simulation requiring speaking up. The student's ability to speak up and use CUS (Concerned, Uncomfortable, Safety Issue) was measured. Results: , with a small effect for using CUS, ϕ=.28. During the study, two unexpected findings emerged with theoretical and practical implications. The multi-institutional design created a natural experiment that allowed for the identification of instructor effects on speaking up and Bloom's Two-Sigma problem. Observations were also made related to perceptual limitations that diminish the ability to speak up. Conclusions: Single speaking-up interventions continue to appear to be ineffective. To substantially influence behaviour, consistent mentorship through a "champion" is likely necessary to train for and create a culture of speaking up. Training in situational awareness is also likely needed to counter human perceptual limitations in complex situations.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».