The Identification, Selection, and Validation of Topic Areas for a Physical Therapy Critical Care Learning Needs Assessment Tool: A Mixed Method Approach
Notice bibliographique
Résumé
Purpose: To identify, select, and validate topic areas for a physical therapy critical care learning needs assessment tool. Method: A scoping review was used to identify knowledge/skill areas relevant to physiotherapy intensive care unit (ICU) practice and develop a survey questionnaire. Physiotherapists rated the relevance of each survey item for practice in the ICU, as well as their knowledge about each item. Descriptive statistics summarized the responses. A statistically based algorithm was used to identify highly relevant items where the level of knowledge/skill was relatively low. Experienced physiotherapists were consulted to agree on the items that should be included. The process was repeated in three additional ICUs to validate the selected items. Results: A total of 238 items, identified from 40 articles, were included in the survey and rated by physiotherapists. From survey results, a statistical-based algorithm identified 113 important topic areas for inclusion (47.48%). A modified triage technique was used to further reduce the selected areas to 90 topics. The validation process further refined the topics to 94 topics along with 13 additional site-specific topic areas. Conclusions: Topics identified in this study will inform the development of a physical therapy critical care learning needs assessment tool. Our survey tool and methodological approach could guide the development of hospital-specific learning needs assessment tools in other clinical settings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».