Serious safety events as a window into clinical learning environment dynamics: A qualitative situational analysis
Notice bibliographique
Résumé
INTRODUCTION: Clinical learning environments (CLE) are complex and have not been thoroughly explored from the perspective of advancing conceptual understanding of their unique dynamics. An opportunity to advance this understanding rests in examining specific situations, such as what happens when a student/trainee has been involved in a serious patient safety event. METHODS: Shaped by concepts of negotiated orders and discourses, we conducted a qualitative, interpretive study in a large urban university and affiliated health science centre in Canada using document analysis and semi-structured interviews. Documents and interview transcripts were analysed using concepts and tools from Adele Clarke's situational analysis. RESULTS: Between March 2022 and April 2023, we conducted 17 interviews with staff physicians (n = 6), medical residents (n = 2), safety leaders and/or university administrators (n = 9). Analysis revealed counter-vailing forces that must be constantly interpreted, negotiated and re-negotiated by participants attempting to deliver on the aspirations of the CLE. Furthermore, analysis revealed potentially competing discourses about the nature of learning in the CLE, animating long-standing tensions about the role of the CLE in developing clinical expertise and professional identity. DISCUSSION: Our study reveals counter-vailing forces, interacting policies and potential disagreements about the learning imperatives and priorities of the CLE. These counter-vailing pressures shape learning about patient safety. More than learning content or process, invested groups must also learn to negotiate risks and responsibilities distributed across multiple social arenas. These distributions are changing. Understanding these dynamics is essential for educators and researchers seeking to positively influence the CLE. Future CLE research should account for the various pressures acting on health service organizations and the possible implications for educational mandates in these spaces.
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 | 0,011 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,008 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».