Digital Literacy Training for Digitalization Officers (“Digi-Managers”) in Outpatient Medical and Psychotherapeutic Care: Conceptualization and Longitudinal Evaluation of a Certificate Course
Notice bibliographique
Résumé
Background: Digital tools, services, and information in patient care demand new competencies in outpatient care, and the workforce is faced with the need to deal with digitalization. Objective: In a targeted certificate course (Certification of Digitalization Officers in Medical Practices and Psychotherapeutic Practices, Digi-Manager), medical assistants are trained to serve as digitalization officers, enabling them to implement the requirements of digitalized health care within their practices. Methods: As part of an accompanying study, the course is evaluated by the participants, and the change in their digital literacy is recorded. We measured different knowledge, skills, and attitude dimensions at 3 different times-before, during, and after the course-and used ANOVA to examine significant changes. Results: Digi-Managers started the course with an already high self-assessment of their digital literacy. Skills and knowledge increased significantly in all categories (cognitive, technical, ethical, and health information) from the initial to the final measurement, as did self-confidence in the use of general software and hardware. Positive attitude remained stable over the training period, and the course was rated very positively by participants across all areas. Conclusions: Training programs on digital topics for health care professionals are necessary, and this certification course is a role model for successful further education through a mixture of theoretical knowledge transfer and practical application. Especially, the use of a digital maturity model and a digital laboratory was a unique and useful feature. Further research needs to go into alternative assessment methods of digital literacy, as the results suggest that self-assessment measures self-efficacy and confidence, rather than pure competence. Nevertheless, the increase in self-assessed competence suggests that the training was successful.
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 | 0,006 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».