Building a supportive clinical learning environment: Orienting newly licensed nurses to their impact on the professional development of physician trainees
Notice bibliographique
Résumé
WHAT WAS THE EDUCATIONAL CHALLENGE?: Nurses play an essential role in the professional development of physician trainees within the clinical learning environment (CLE), but rarely receive formal training regarding this role. WHAT WAS THE SOLUTION?: Utilizing a multifaceted, systematic approach, we developed an educational program for newly licensed nurses which addressed their role in the CLE and the professional development of physician trainees. HOW WAS THE SOLUTION IMPLEMENTED?: We delivered two 90-minute workshops to approximately 40 nurses during the 2021-2022 academic year. Participants completed workshop session evaluations and the Clinical Learning Environment Quick Survey (CLEQS). Data were descriptively analyzed. Workshops were positively received, with most participants rating them as very good/excellent (Workshop #1: 83.3% and Workshop #2: 72.2%). The CLEQS results suggested that the participants' CLEs were predominantly healthy and supportive, with most respondents indicating that they would recommend their unit to colleagues (before Workshop #1: 92.2% and after Workshop #2: 100.0%). WHAT LESSONS WERE LEARNED THAT ARE RELEVANT TO A WIDER GLOBAL AUDIENCE?: Our educational program acknowledges the important role nurses play in the professional development of physician trainees, and equips them with tools to promote teamwork, communication, and a growth mindset towards interactions with physician trainees. WHAT ARE THE NEXT STEPS?: We continue to iterate our interactive workshops to prepare nurses for their important role in the professional development of physician trainees. To employ more active learning strategies, we developed pre-workshop videos. Thus far, we have delivered these workshops to nearly 600 nurses.
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 | 0,007 |
| 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 | 0,001 |
| 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 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 ».