Assessing needs for linguistic interpretation in hospital settings: A retrospective analysis of ad hoc interpreter requests
Notice bibliographique
Résumé
Background:In Canada, healthcare professionals often rely on ad hoc interpreters, who are untrained volunteers recruited via intercom hospital announcements to interpret for patients with language barriers. This study analyzed the frequency of ad hoc interpreter requests via intercom announcements to estimate hospital interpretation needs.Methods:A retrospective cohort analysis from intercom requests for medical interpretation collected from five hospitals of the McGill University Health Center. Requests included date, time, language requested, hospital location, and extension for who placed the request.Results:A total of 1265 intercom requests were placed for 48 languages, with the top five languages being Mandarin (17.8%), Punjabi (10.1%), Inuktitut (9.8%), Arabic (7.3%), and Cantonese (6.4%). Almost 69.8% of requests were made during working hours, 13.2% on workday evenings, and 14.8% on weekends. Requests came from urgent care (42.3%), outpatient (29.5%), and inpatient (23.3%) settings.Conclusion:This is the first published study that measures interpretation needs via intercom requests. We propose that our method can be replicated to inform implementation of professional medical interpretation services. We conclude that linguistic interpretation needs are significant in the Montreal area, and likely in Canada in general and pose a barrier to effective medical care.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».