E-Cog: An online training platform for cognitive health interventions based on the ADDIE model
Notice bibliographique
Résumé
Background: Online learning is an accessible and cost-effective solution to deliver training in healthcare. In-person training has long supported mental health practitioners in delivering cognitive health interventions, however for many underserved populations, significant barriers to accessing standardized, evidence-based training for such treatments remain. The E-Cog platform aims to bridge this implementation gap, delivering accessible and engaging remote training that maintains the quality of in-person training. Objectives: Describe the design, development, and implementation of E-Cog, an innovative online training platform for two cognitive health interventions, within the context of a Canadian multisite implementation trial for individuals diagnosed with psychosis. Additionally, examine the feasibility and acceptability of the ADDIE educational framework for e-learning development. Methods: Following the ADDIE model's five phases (analysis, design, development, implementation, and evaluation), we developed our training platform and its curriculum of two cognitive health online certifications: Action-Based Cognitive Remediation and Metacognitive Training. This protocol describes the first four phases of our work and reports on the feasibility and acceptability of the ADDIE model. Conclusions: = 28) was observed during the first two years of implementation. ADDIE was perceived as feasible and acceptable as a framework for e-learning content, depending on flexibility to adapt its structure to research challenges and constraints. Next steps include a qualitative assessment of E-Cog's usability and impact on intervention delivery.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».