Towards the identification of family physician learning needs through a reflective process
Notice bibliographique
Résumé
Background Continuing professional development stakeholders are continually searching for better ways of collecting and using data to determine the educational needs of physicians. Research questions1) What, if any, family physician learning needs are revealed through the reflective process prompted by the Information Assessment Method (IAM)?2) What is the meaning of the Highlight ratings for the identification and prioritization of Canadian family physician learning needs? Methods A mixed methods sequential explanatory design was employed. Quantitative IAM data was collected from a family medicine web based e-Therapeutics+ 'Highlights' continuing medical education program over a 22-week period. Six senior Canadian continuing professional development key informants were interviewed about the meaning and potential uses of this IAM data in the context of current needs assessment practices. Results 3690 family physicians rated at least one highlight (31.4% participation rate). A mean of 675.2 (range 414-1176) ratings per highlight was recorded. On average, 54.5 % of participants learned something new, 45.7 % were motivated to learn more and 59.3% found topics to be relevant to at least one patient in practice. Key informants found that ratings 'motivation to learn more' may suggest participants' learning needs when combined with data from other sources, and that 'learning' and 'relevance' ratings can reveal information about participants' knowledge base. Conclusions With data from other sources, IAM data may suggest learning needs, and reveal topics where physician knowledge was confirmed.
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 | 0,126 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».