Flourishing by Design: Applying Self-Determination Theory and the Job Demands-Resources Model to Systems-Level Wellness in Medical Education
Notice bibliographique
Résumé
Background: Physician burnout remains a defining challenge in medical education, driven by excessive demands and fragmented wellness initiatives. While calls for systemic reform grow louder, many efforts lack a unifying framework capable of addressing both distress and the cultivation of professional fulfillment. Methods: This guide applies a dual-theory lens-Self-Determination Theory (SDT) and the Job Demands-Resources (JD-R) model-to propose a systems-based approach to motivation and wellness. Drawing on empirical evidence and applied experience, it presents twelve actionable strategies across three ecological domains: the built environment, policy frameworks, and interpersonal dynamics. The first six strategies target hindrance demands that frustrate psychological needs and contribute to burnout; the next six strengthen resources that satisfy those needs and foster engagement, resilience, and well-being. Results: The strategies offer flexible, theoretically grounded entry points for reform, supporting institutions in cultivating sustainable, human-centered learning environments where wellness is embedded-not bolted on. Examples include prioritizing formative over high-stakes assessments, integrating justice and safety into institutional design, and balancing clinical responsibility with developmental support. Conclusions: Integrating SDT and JD-R provides a rigorous, coherent, and scalable foundation for systems-level wellness initiatives. It reframes well-being not as the absence of burnout but as the presence of flourishing-offering a shared language, validated metrics, and a roadmap for lasting cultural and structural transformation in medical education.
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 | 0,013 | 0,005 |
| 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 | 0,000 |
| 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) | 0,000 | 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 ».