Development of a pain management competency assessment for physiotherapy students: Integrating simulation and written assessments
Notice bibliographique
Résumé
Introduction Chronic pain is a global challenge resulting in substantial healthcare costs. Despite its prevalence, gaps in pain management education persist across health professions education programs. Developing an assessment to evaluate student competency in pain management is essential to identify and address the potential impact of these disparities on learning outcomes. This study describes the development and initial evaluation of the Pain Education in Physiotherapy (PEP) competency assessment, aimed at assessing student level of competency in pain management across entrylevel physiotherapy (PT) programs.Methods The assessment was developed using the DeVellis process, incorporating integrated knowledge translation principles and ongoing partner engagement. A steering group guided the creation of case-based multiple choice questions (MCQs) and simulation-based stations to assess competencies for pain management at different levels of Miller’s Pyramid. Initial evidence supporting the validity argument was gathered from PT students in their final semester of education (n = 146 for MCQs; n = 53 for simulations).Results Twenty-eight MCQ items and three simulation-based stations were selected. The MCQ component showed moderate internal consistency (α = 0.65), and the simulation-based assessments demonstrated moderate internal consistency (α = 0.63) with good interrater reliability (ICC2,1 range: 0.73–0.86).Discussion The PEP assessment incorporates case-based MCQs and simulation-based assessment stations to address critical interpersonal skills such as communication and empathy, often overlooked in traditional written assessments. This approach fills gaps in pain management education and provides a more comprehensive assessment tailored to PT needs.Conclusion This assessment represents an important advancement in the assessment of pain management competencies. Its rigorous development process, partner engagement, and promising initial evaluation underscore its potential to identify gaps in pain education and help improve outcomes related to PT 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 | 0,003 | 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 ».