“We need all hands on deck”: characterizing addiction medicine training in Canada—a mixed methods study of fellowship program directors
Notice bibliographique
Résumé
BACKGROUND: Addiction Medicine training in Canada has evolved substantially in the last few years with the establishment of accreditation standards and several new fellowship programs. The novelty of these formal training programs, created in response to complex and ever-expanding clinical needs in Addiction Medicine, creates unique educational circumstances that must be understood to support future growth. This study characterizes the current state of these postgraduate training programs in Canada through the perspectives of Program Directors (PDs). METHODS: This study is a mixed methods study of 12 PDs. In Phase 1, participants completed a quantitative survey analyzed through descriptive statistics. In Phase 2, participants underwent a qualitative semi-structured interview that was coded with a thematic analysis approach. Mixing occurred both during the interim analysis between phases and during the interpretation stage. RESULTS: 28 trainees enrolled in a fellowship program in 2021-22 across 10 programs, and 27 trainees enrolled in 2022-23 across 11 programs. In each year, there were significantly fewer available spots than applications (31% and 29%, respectively). PDs identified a funding "bottleneck" as the most difficult and important challenge facing programs, with trainees supported by diverse and unstable funding sources. Qualitative analysis highlighted the need for sustainable funding models, flexibility toward alternative training pathways (shorter durations of training and re-entry from practice), and establishment of a national community of practice to support the co-creation of a robust addictions medical education infrastructure. CONCLUSION: For Addiction Medicine training to meet workforce demands, PDs stressed that funding was the challenge of prime importance. Future studies should examine the perspectives of Addiction Medicine fellows, the clinical and research impacts of fellowship graduates, and the cost-effectiveness of fellowship funding models.
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 | 0,019 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,011 | 0,005 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».