A Survey of Prelicensure Pain Curricula in Health Science Faculties in Canadian Universities
Notice bibliographique
Résumé
OBJECTIVE: The present exploratory, descriptive study aimed to determine the designated time for mandatory pain content in curricula of major Canadian universities for students in health science and veterinary programs before being licensed.METHOD: Major Canadian university sites (n=10) were chosen where health science faculties included at least medicine (n=10) and nursing (n=10); many also included dentistry (n=8), pharmacy (n=7), physical therapy (n=8) and/or occupational therapy (n=6). These disciplines provide the largest number of students entering the workforce but are not the only ones contributing to the health professional team. Veterinary programs (n=4) were also surveyed as a comparison. The Pain Education Survey, developed from previous research and piloted, was used to determine total mandatory pain hours.RESULTS: The majority of health science programs (67.5%) were unable to specify designated hours for pain. Only 32.5% respondents could identify specific hours allotted for pain course content and/or additional clinical conferences. The average total time per discipline across all years varied from 13 h to 41 h (range 0 h to 109 h). All veterinary respondents identified mandatory designated pain content time (mean 87 h, range 27 h to 200 h). The proportion allotted to the eight content categories varied, but time was least for pain misbeliefs, assessment and monitoring/follow-up planning.CONCLUSIONS: Only one-third of the present sample could identify time designated for teaching mandatory pain content. Two-thirds reported ‘integrated’ content that was not quantifiable or able to be determined, which may suggest it is not a priority at that site. Many expressed a need for pain-related curriculum resources.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».