A Scoping Review of Obesity Educational Interventions in Undergraduate and Postgraduate Medical Education
Notice bibliographique
Résumé
BACKGROUND: A significant proportion of doctors feel they are not qualified or successful at treating obesity. Poor readiness to treat obesity may be due to the inconsistent quality of obesity education in Canadian medical schools. These inconsistencies highlight a need for evidence-based interventions that teach health professionals how to be confident in managing the various health and social complexities that accompany obesity. The objectives of this literature review were to (1) determine what educational interventions have been used to improve obesity training in medical education; (2) evaluate the best practices on designing obesity educational interventions; and (3) analyze whether the literature has any guidance on teaching obesity in a nonstigmatizing manner. METHODS: We conducted searches in MEDLINE (Ovid), Embase (Ovid), ERIC (EBSCOhost), CINAHL (EBSCOhost), and Web of Science (Clarivate) for obesity-related health education interventions across various health disciplines. Our search strategy produced 30 full-text articles. RESULTS: The included articles revealed a significant variance in educational interventions' goals, duration, and delivery methods. Undergraduate obesity education focuses more on knowledge of obesity, whereas postgraduate education focuses more on patient care. There is some evidence that interactive learning interventions have greater success in influencing student attitudes and practice behaviors towards obesity. While some interventions were able to positively affect explicit antifat stigma, only one of them had a positive effect on implicit biases. CONCLUSION: More research needs to be done to determine effective strategies for teaching obesity education.
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 | 0,009 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».