How professionals in pediatrics change the words they use to mitigate pain: A lexical description after a short hypnosis-based communication training
Notice bibliographique
Résumé
Background: Young patients who suffer from a pediatric condition are typically submitted to diverse and often repeated painful procedures. Theory and empirical studies suggest that communication styles used by healthcare professionals could mitigate such procedural pain. Recently, a hypnotic communication training (Rel@x) was developed with promising results. The present study aimed to describe how healthcare professionals change the words they use with patients after training. Methods: A nine-hour training in hypnosis-derived communication was offered to 78 volunteer healthcare professionals from a tertiary pediatric hospital, and 58 participated in the evaluative study. Participants were evaluated at baseline, immediately after the training, and 5 months later (39 ± 10 yrs, 52 women, 54 nurses). We used a video-recorded standardized simulation protocol of venipuncture, and five categories of words were derived. Word categories were corroborated in a validity study with 10 independent judges. We modeled pre-post-follow-up changes over time with latent growth curve models. Results: Following training, healthcare professionals used fewer words related to negative experiences (-51%) or medical procedures (-73%) and used more words referring to the relaxing and analgesic experience (+20%), and the specific techniques they had learned (Pleasant place +260%, Magic glove +582%). These changes were maintained at a proportion of 45-81% 5 months later. More change was observed among women and less experienced healthcare professionals. Conclusion: Results suggest that healthcare professionals exposed to a short, structured communication training aiming to mitigate pediatric pain durably adjust the language they use when performing a painful procedure. This is encouraging for future testing and implementation of hypnosis-derived communication training in healthcare providers.
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 | 0,001 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».