Discovering What Works Well: Exploring Primary Palliative Care Education in Pediatrics Residency Programs in Canada
Notice bibliographique
Résumé
Background Pediatricians require primary palliative care (PC) skills – communication, pain and symptom management, and psychosocial support – to provide care that mitigates suffering for children with serious illnesses. Residents may not develop skills adequately, and little is known about how they learn those that they do have. Objective To explore effective primary PC learning in Canadian pediatrics residency programs. Methods Using Appreciative Inquiry methodology, we focused on ‘what is working well' to explore resident learning. We purposively sampled 17 trainees (post-graduate years 3-5), representing 13/17 programs. Participants engaged in semi-structured interviews, which we transcribed and analyzed iteratively through an inductive thematic process. Results The findings highlighted two predominant themes: a) Embracing incidental learning in the workplace, and b) Scaffolding learning through balanced structure and autonomy. Subthemes included: Recognizing the value of informal and unexpected learning opportunities; Strategies for harnessing incidental learning; Fostering interprofessional collaboration for learning; Integrating PC throughout training; Balancing structured learning with workplace-based opportunities for skill development; and the importance of graduated responsibility in workplace learning. Conclusions The residency learning environment provides a rich milieu to develop primary PC skills, but it is often difficult to make use of the fragmented learning opportunities. Residents rely significantly on unplanned clinical opportunities and must actively engage in planning, monitoring, and reflecting on their experiences to develop these skills. Our study underscores the importance of a multi-faceted approach to acquisition of PC skills – through experiential learning, reflective practice, graded responsibility, mentorship opportunities – spread throughout the duration of training.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,019 | 0,007 |
| Communication savante | 0,008 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».