Using Theory and Technology to Build an Interprofessional Community of Human Trafficking Educators
Notice bibliographique
Résumé
INTRODUCTION: Human trafficking, a global health crisis, requires interprofessional responses. Skilled teachers are needed to train health care providers about human trafficking. METHODS: To promote nonhierarchical interprofessional collaborative learning, we applied social cognitive and experiential learning theories within a dialectical constructivist program design to scaffold participants' knowledge and leveraged technology to build and sustain the program's community. WhatsApp and Flipgrid connected participants and faculty prior to the program. Participants' reflections on experiences were used to inform confidential and respectful information sharing. Live case presentations were interwoven with prerecorded didactics, Zoom break-out case analyses, and Q&A sessions with trafficking survivors. Participants used learning theories to cocreate and teach about labor and sex trafficking, disclosure, and the law. A reciprocal teaching activity facilitated participants' integration of new knowledge with authentic work responsibilities. Constructive peer feedback on the content, clarity, and engagement of their teaching reinforced participants' self-efficacy in expanding their education work in their home organizations. RESULTS: As of 2021, 156 physicians, nurses, social workers, advanced practice providers, psychologists, and public health workers, from the United States, United Kingdom, Canada, and Trinidad/Tobago, have graduated from the program. Three-month postprogram surveys indicated lasting knowledge and skills changes in use of the Stop, Observe, Ask, Refer framework, teaching with adult learning principles, and creating organizational trafficking protocols. CONCLUSION: The strategic application of learning theory and technology has enabled us to foster a nonhierarchical community of interprofessional learners, cultivating a dynamic network of educators who continue to make international impacts on people with an experience of human trafficking.
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 | 0,009 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».