Introducing FIRSTmed-ADLX Model: As a New Learner Experience LX Model in the Medical Context, Public Health and Wellness Education Intervention - the Case of the IMC Wellness Office in KSA
Notice bibliographique
Résumé
The field of health and wellness education in the public health presents unique challenges due to the need for effective frameworks that can help educators and healthcare providers facilitate the transfer of wellness concepts to clients for behavior modification and transformation for better health outcomes (Solhi et.al, 2020; Olsen, 2010). In response to this need, the FIRSTmed-ADLX (Focusing – Interacting – Reviewing – Sequencing – Transforming) (Active Deep learner eXperience) was developed as medical education, public health, and wellness sub-context of the successful FIRST-ADLX framework (Bahgat et al. 2018), This paper explores the compatibility and effectiveness of the model for public health and wellness education. The study adopts an exploratory mixed research method that combines qualitative by the template analysis technique using MAXQDA and quantitative for descriptive analysis using MS Excel.Findings include the unprecedented paradigm transformation expressed by healthcare providers and medical educators in their understanding of education and learning principles. The study revealed that participants' deep engagement and motivation, coupled with their perception of themselves as learners, greatly assisted them in enhancing their design and facilitation capabilities by applying the domains and principles of the model Wellness clients exhibited notable transformations in their learning experiences and personal behaviors, particularly in adopting healthier lifestyles and embracing wellness practices.Furthermore, the analysis has brought to light the notable impact of FIRSTmed-ADLX on the working culture within the IMC's (International Medical Center) wellness office results. This encompasses processes, internal language, and behavioral shifts, underscoring the substantial impact of the model.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».