Narrative Expertise in Oncology: An Integrated Training Model to Advance the Field
Notice bibliographique
Résumé
Unlabelled: Despite growing evidence that narrative expertise may benefit cancer care professionals and the field, few hematology-oncology trainees pursue graduate degrees in the humanities. For those trainees with a particular interest in humanism in medicine, we advocate for integration of a Master of Fine Arts (MFA) degree concurrent with fellowship training. This pathway enables trainees to gain advanced skills in narrative competence, informing research and scholarly activities during fellowship and building a foundation for future careers that promote humanism in the field of hematology-oncology across clinical practice, education, research, and advocacy. Narrative competence describes the ability to create space for and elevate the voices of patients, families, and clinicians, which includes active listening, reflecting, sharing, and being moved by stories. In this paper, we review evidence suggesting that frequent exposure to suffering can threaten career longevity for cancer care clinicians, and we highlight narrative competence as an approach to mitigate moral distress, improve well-being, and bolster resilience for our workforce. The influence of narrative competence extends beyond patient care, with meaningful ramifications for advancing research, education, and advocacy efforts across the field. We encourage institutions with hematology-oncology fellowship programs that have capacity to support graduate studies to include the MFA as an option for trainees who aim to become thought leaders and experts in narrative competence. The MFA serves as a strategic mechanism to invest in growing the next generation of hematologist-oncologists with expertise in narrative competence to advance the field.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».