Evaluating the implementation of a longitudinal cocurricular experiential quality improvement training programme for undergraduate medical students
Notice bibliographique
Résumé
Quality improvement and patient safety (QIPS) is a core competency in undergraduate medical education. While didactic and experiential learning enhance QIPS knowledge and skills, there are limited experiential opportunities. This study aims to evaluate the feasibility and effectiveness of a longitudinal didactic and experiential student-led programme, Quality Improvement Experiential Student Training (QuEST). QuEST was piloted during year 1, where learners completed online modules, didactic seminars, an experiential project and mentorship meetings with the programme's faculty chair (Plan-Do-Study-Act [PDSA] 1). We implemented a formal leadership structure, adapted the curriculum, and changed mentorship meetings to student-led in year 2 (PDSA 2). In response to reduced learner satisfaction, we reintroduced faculty-led mentorship meetings in year 3 as well as revised the experiential project screening process and decreased the cohort size to enhance programme operations. The outcome was self-reported confidence in completing a QIPS project, which we aimed to achieve at least 60% of learners reporting confidence each year. Fourteen learners were enrolled in year 1, 45 in year 2 and 18 in year 3. After year 1, 86% of learners reported confidence in completing a QIPS project (from 39% preprogramme; p<0.01), 64% in year 2 (from 16%; p<0.01) and 75% in year 3 (from 28%; p<0.01). Programme satisfaction was 4.25/5 in year 1, 4.27/5 in year 2 and 4.75/5 in year 3. Strengths included experiential learning and support from the programme. Opportunities for improvement included further check-in meetings to promote accountability and project progression. The QuEST programme equipped learners with the confidence needed to complete a QIPS project. The provision of mentorship was identified as a common driver for learner satisfaction, with the suggestion to provide further structured and unstructured mentorship opportunities embedded in the programme. Future work may consider longitudinally assessing changes to learner behaviour.
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 | 0,023 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».