Professional identity, pivotal moments, and influences: Implications for preceptor development
Notice bibliographique
Résumé
INTRODUCTION: Preceptors are critical in training learners and supporting learner professional identity formation (PIF). This manuscript describes pharmacist preceptors' professional identities (PI), pivotal moments and influences that shaped those PIs, and how this impacts their precepting to inform future preceptor development. METHODS: Semi-structured interviews with experienced preceptors from five experiential education programs were transcribed and analyzed. An abductive approach was used for coding, followed by thematic analysis. RESULTS: Twenty-two participants from various settings described their PI as a medication specialist, care provider, safeguard, educator, and/or manager. Six themes were recognized across the interview question data as critical to forming professional identity. These included: common elements among pharmacists' PIs such as being a medication-related problem solver (theme 1) and helping/serving others (theme 2); a connection between preceptor identity and participant precepting practices (theme 3); and the importance of role models (theme 4), practicing autonomy (theme 5) and being treated as a pharmacist (theme 6) in developing the participants' PI. DISCUSSION: These findings suggest that preceptor development could focus on introducing the concept of PIF, build an understanding of the importance of role models and pivotal moments in supporting PIF, and support the development of preceptor identity as a clinician, educator, or teacher. CONCLUSION: Critically, the findings from this analysis suggest that a preceptor's PI can influence how they precept, the types of experiences they facilitate for learners, and the norms and values they model. These findings will inform future preceptor development programs about their learner's PIF.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,000 | 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 ».