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 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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».