We should <i>nudge</i> clinicians and trainees to participate in health professions education programmes
Notice bibliographique
Résumé
Health Professional Education (HPE) programmes, such as mentorship, are widely regarded as being advantageous to the personal and professional development of clinicians and trainees. Involvement in a mentoring relationship is associated with positive outcomes for both mentees and mentors, including improved career preparation, increased career success, higher job satisfaction and reduced risk of burnout. Despite these data, a minority of trainees report having a mentor. In this Cross-Cutting Edge article, the authors focus on an impediment to participation in HPE programmes that they feel are both highly prevalent and modifiable: habit. Taking the example of mentorship, they use dual processing as their theoretical framework and describe how we use both System 1 and System 2 processing to make decisions that, in turn, promote habitual and goal-directed actions, respectively. The authors discuss the relationship between habitual and goal-directed actions and suggest that habits can both facilitate and hinder our goals. Drawing on the clinical literature on adherence to clinical practice guidelines, they describe how habits and contextual factors can interfere with clinical goals and how manipulating the clinical environment can move behaviour in the desired direction. They then branch into behavioural economics to describe the features of a nudge (and a sludge) and review the literature on the effectiveness of this type of intervention - including potential ethical concerns around the use of nudges as behavioural interventions. Using the MINDSPACE mnemonic/framework they suggest different types of transparent and non-transparent nudges that could be used to increase participation in mentorship. Recognizing that mentorship is complex and the impact of a single nudge on behaviour may be ineffective or wane over time, the authors propose a process of ongoing programme evaluation and quality improvement that could help create and maintain a culture of mentorship and that can also be applied to other HPE programmes.
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 | 0,013 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,013 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,009 |
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 ».