Regulation of Health Professionals’ Work as a Climate Mitigation Strategy: Opportunities, Responsibilities, and Challenges
Notice bibliographique
Résumé
Background: The climate impacts of health professionals’ work are significant. The potential role and opportunities for regulators of health professionals’ work to drive behavioural and practice change have not been adequately explored in the literature. The objective of this research was to examine regulators’ perspectives on the potential role of health professions’ regulatory bodies in advancing the adoption of climate-conscious professional practice. Methods: Semi-structured interviews with 19 regulators overseeing the practice of health professionals in medicine, nursing, pharmacy, and dentistry in Canada were undertaken. Constant comparative data analysis using nVivo v15 was undertaken to identify common themes. The COREQ framework was applied to ensure the quality of the research processes used. Results: Participants highlighted their belief that there are only limited opportunities for health professions’ regulators to lead climate-positive practice change, despite their personal beliefs in the importance of the topic. The use of educational approaches, rather than legal or regulatory tools, was emphasized. Concerns were raised regarding regulatory overreach, practitioner blowback, and practical/logistical considerations. Coalition building across different facets of a profession (including educational institutions, unions, workplaces, and professional/advocacy groups) was identified as potentially most impactful. Conclusions: Previous research had highlighted practitioners’ beliefs that regulators had significant legal and practice-directed levers that could drive behavioural change towards more climate-friendly health care work. This research has highlighted regulators’ discomfort with assuming a legalistic role. Instead, they favoured persuasive techniques such as education and coalition building that may nudge, rather than compel, practitioners towards more climate-friendly practice.
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 | 0,086 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,029 |
| Communication savante | 0,014 | 0,005 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,008 | 0,008 |
| 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 ».