Peer-Coaching for Family Physicians to Close the Intention-to-Action Gap
Notice bibliographique
Résumé
INTRODUCTION: Peer coaching has the potential to enhance the effectiveness of clinical performance feedback reports to family physicians, but few peer-coaching quality improvement programs have been implemented and evaluated in primary care. Authors designed, implemented and evaluated a peer-coaching program for family physicians in a large, academic primary-care organization to explore its potential to enhance family physicians' use of clinical performance data for quality improvement. METHODS: Coaches were nominated by their peers and were trained to follow an evidence-informed facilitated feedback model for coaching. Data were collected through surveys, a focus-group with coaches, and individual interviews with coached family physicians ("coachees"). Data were analyzed inductively using reflexive thematic analysis. RESULTS: Authors trained 10 coaches who coached 25 family physicians over 3 months. Coachees who completed the survey (21/25) indicated a desire for additional coaching sessions in future; most (19/21) reported confidence in making practice change. Interview (n = 11) and focus-group participants (n = 8) findings validated acceptability of the coaching approach that emphasized empathy ahead of change-talk. Coaches helped coachees interpret care-quality measures, deal with negative emotional responses evoked, encouraged a sense of accountability for improvement, and sometimes offered new ways to manage common challenges. Coaching sessions led to a wide range of practice-improvement goals. However, effects on practice change were felt to be limited by the data available and the focus on individual physician factors when broader clinic issues acted as important barriers to improvement. CONCLUSIONS: Peer coaching is a feasible approach to supporting family physicians' use of data for learning and practice improvement. More research is needed to understand the impact on practice outcomes and physician wellness.
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 | 0,012 | 0,039 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».