Aligning family medicine residency training with societal needs: An international Delphi study
Notice bibliographique
Résumé
INTRODUCTION: Primary care is evolving around the world, and the need to address changing societal needs prompted a call to renew family medicine residency training. Experts were asked to generate learning topics around six areas of societal need. METHODS: International family medicine experts were invited to participate in a Delphi study that concluded in 2024. The initial round generated 1275 submissions. Through content analysis, we distilled these submissions to 54 learning topics, which were rated for their importance using a 5-point scale. Importance was indicated if the median score was ≥3.5, and consensus was achieved if the interquartile range was ≤1. RESULTS: All learning topics were deemed important. Consensus was reached for 46 of 54 learning topics. Topics with low consensus included 'community support and engagement,' 'holistic understanding and proficiency in trauma-informed care,' 'historical and cultural aspects of Indigenous communities,' and 'acquiring research and scholarship competencies in virtual healthcare.' CONCLUSIONS: Consensus was reached in 46 learning topics, with low consensus in areas where physicians' roles overlap with other care providers. Learning topics generated in this study could be integrated to ensure residency programs meet current societal needs. These findings are relevant to family medicine and many residency programs.
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 | 0,063 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».