Conceptualizing interprofessional working – when a lawyer joins the healthcare mix
Notice bibliographique
Résumé
Research, policy and practice in the field of interprofessional collaboration have focused on how medical, nursing, allied health and social care practitioners work together to positively impact patient care. This paper extends conceptual thinking about interprofessional practice by focusing on lawyers as part of the interprofessional mix. This attention is prompted by medical–legal partnerships (MLPs), a service model by which lawyers join health care settings to assist patients with unmet, and often health-harming, legal needs. MLPs are present in around 450 hospitals and other health care sites across the United States and the model has spread to other countries, including Australia, the United Kingdom and Canada. However, enthusiasm for the MLP model is not yet matched by good evidence on how, when and for whom the model works. Interprofessional scholars contend that imprecise terminology and poor conceptualization of interprofessional arrangements hinder high-quality research and evaluation. In response to their critiques, this paper formulates a stepwise conceptual framework to guide the design, implementation and study of interprofessional arrangements that connect health, social care and legal practitioners. This framework draws on findings from national surveys of MLP initiatives in several countries and adapts several key conceptual frameworks that have been developed from systematic reviews of interprofessional working in primary health care. These conceptual frameworks are valuable because they promote clarity about different modes of interprofessional working and characterize the factors at macro (policy, funding), meso (organizational) and micro (practitioner, patient) levels that help or hinder professionals from different disciplines in working together. The paper considers factors at these three levels that require particular attention when lawyers join health care settings and proposes questions for future research in this emerging area.
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 | 0,031 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,016 | 0,065 |
| Communication savante | 0,023 | 0,036 |
| Science ouverte | 0,006 | 0,022 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».