Evaluation of virtual training delivery for health information systems implementation in Canada: A qualitative study
Notice bibliographique
Résumé
INTRODUCTION: As health information systems (HIS) become a critical part of patient care, it is crucial to build an effective education strategy that facilitates the adoption and sustained use of these systems. The COVID-19 pandemic (2019-2023) has contributed to the rapid shift in virtual education and training for healthcare staff. OBJECTIVE: We sought to evaluate the efficacy and long-term sustainability of virtual training for using a HIS by examining opportunities and challenges. METHOD: An exploratory, multimethods study was conducted with staff who had taken part in a virtual HIS training program as part of the clinical transformation journey at a large academic health science center in Canada. The study was guided by the Accelerating the Learning Cycle framework. Data were collected through pre- and post-training surveys, as well as semi-structured interviews. An iterative, inductive, constant comparative analysis approach, outlined by Braun and Clarke, was taken to thematically analyse the data. RESULTS: Of the 33 participants in this study, 13 were educational champions, and 20 were end-users. The pre- and post-training surveys yielded a total of 1479 responses in both groups. Three prominent themes emerged from this study: (1) fostering dynamic facilitation techniques to cultivate an inclusive culture and adapt to diverse learning needs; (2) integrating practical learning activities that contribute to knowledge retention; and (3) ensuring training resources are accessible and consistent for an optimal training experience. CONCLUSION: As HIS continue to be part of the transformation of the healthcare ecosystem, education is vital in preparing healthcare providers to perform their clinical tasks and effectively use these technologies. Findings from this study can be used to inform the development of virtual training that is inclusive and addresses the needs of care providers.
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 | 0,027 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,020 | 0,009 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 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 ».