Use of Linguistic Communication Strategies (Hedges and Intensifiers) in Simulated Pharmacy Education Shared Decision-Making
Notice bibliographique
Résumé
OBJECTIVE: Hedges and intensifiers are linguistic strategies that are used to indicate respect for an individual's face needs, particularly their desire to feel autonomous or part of a social group. This study aimed to investigate the use of such linguistic strategies by pharmacy students and their impact on communication grades in an Objective Structured Clinical Examination, focusing on shared decision-making and uptake of pharmacists' recommendations by patients and prescribers. METHODS: An analytical observational retrospective cohort of Objective Structured Clinical Examination videos across poor, average, and good grades was conducted. Underpinned by politeness theory and using summative content analysis and statistical analysis, the use of hedges and intensifiers was identified, mapped, and compared across communication grades. RESULTS: Overall, students used more hedges than intensifiers when interacting with physicians (1253 vs 565) and patients' carers (2026 vs 369). The most common hedges were modal auxiliary verbs (27.5%), whereas the most common intensifiers were high-strength adverbs (47%). Students who were marked as good communicators were seen to use less hedges when speaking with carers than physicians (median 42 vs 29) vs students who were marked with poor communication skills (median 42 vs 38). CONCLUSION: Overall, pharmacy students tend to hedge when making recommendations. Students who were marked highly by examiners showed differences in the number of hedges between the 2 interlocutors, whereas students who were marked as poor communicators used similar language when talking to the patient or the physicians. Study findings provide insight into links between grading and linguistic strategies used and could inform innovative applied linguistic-based communication training programs for students and examiners, which could lead to preparing graduates to utilize linguistic strategies to communicate pharmacist-led recommendations in the workplace.
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 | 0,003 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».