Exploring emerging physician competencies: Analyzing insights from medical care influencers on X
Notice bibliographique
Résumé
PURPOSE: In the post-COVID era, recognizing evolving physician competencies is crucial for guiding medical education and test development. This study aimed to extract valuable insights concerning emerging physician competencies from influencers' posts on X, leveraging an AI-driven approach. METHOD: Two datasets pertaining to medical competency were analyzed, with posts collected from January 1, 2020, to June 1, 2023. Social network analyses were performed to identify influencers leading medical competency conversations on X. ChatGPT was utilized for textual analyses of influencers' posts to reveal core themes of physician competencies. RESULTS: Social network analysis revealed that medical professionals played a predominant role in disseminating information on medical competency on X. Textual analysis identified six core themes in the CanMEDS dataset-clinical learning environment, anti-racism, EDI, adaptive expertise, planetary health, and leadership development-and seven in the MedEd dataset-cultural competency, structural competency, assessment models, virtual care, EDI, leadership development, and wellness. CONCLUSION: The identified themes emphasize physicians' competencies in addressing health disparities, preparing for real-world challenges, adapting to the evolving healthcare landscape, and leading effectively in diverse healthcare settings. The findings hold significant implications for medical education, test development, and the integration of artificial intelligence in physician competency assessment.
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 | 0,001 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».