Assessing the Readiness for Climate Change Education in Radiation Oncology in the US and Canada
Notice bibliographique
Résumé
Abstract Objective: Climate change poses significant challenges to health care, with radiation oncology being no exception. Educational gaps exist among radiation oncology professionals regarding the implications of climate change on patient care and health care delivery. This study aims to assess the perspectives of US and Canadian radiation oncology program directors (PDs) and associate program directors (APDs) on climate change education and its integration into residency programs. Materials and Methods: A survey was distributed to 114 PDs and APDs in the United States and Canada, focusing on attitudes toward climate change education, knowledge and beliefs about climate change and environmental sustainability, and perceptions of its impact on clinical practice. The final survey comprised 15 items, including a 5-point Likert-type scale (1=strongly disagree, 5=strongly agree), multiple-choice, and open-ended questions. Analysis of variance and post hoc least significant difference tests were used for data analysis. Results: Of the 114 individuals contacted, 36 responded (response rate 32%). Respondents rated the importance of incorporating climate change content into residency curricula at an average of 2 ± 1.2. Significant differences in attitudes were observed based on attendance at prior educational sessions on climate change ( P < .05); nonattendees rated the importance of this education lower, averaging 1 ± 0.0 vs 3.3 ± 1.0. Geographical analysis showed that 66% of Canadian respondents were in favor of integrating climate-related material into curricula compared with only 42% of United States counterparts ( P < .05). Conclusion: Despite varying interest levels and perceived relevance, the study underscores a need for enhanced climate change education in radiation oncology. It suggests exploring alternative educational avenues, such as continuing medical education and professional conferences, to address the challenges highlighted in this study. Incorporating climate change discussions into health care, particularly in training future radiation oncologists, is necessary for the field to adapt to and address the challenges posed by climate change.
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 | 0,000 |
| 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 | 0,000 | 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 ».