What Do Clinical Supervisors Require to Teach Residents in Family Medicine How to Care for Seniors?
Bibliographic record
Abstract
RÉSUMÉ Nous avons évalué les besoins de formation des cliniciens qui supervisent les résidents dans les cliniques d’enseignement de médecine familiale au Québec. Nous avons utilisé une méthodologie mixte comprenant: un balayage environnemental des programmes de formation des Départements de médecine familiale, un consensus d’experts pour sélectionner des situations cliniques prioritaires pour les soins aux aînés, un questionnaire pour connaître la perception des superviseurs de leurs besoins de formation, et des entrevues pour comprendre les raisons des besoins. Partant du balayage, les experts ont identifié 13 situations cliniques prioritaires. Les 352 participants au sondage (taux de réponse : 36 %) ont rapporté des besoins plus importants pour gérer les symptômes comportementaux et psychologiques de la démence, la polymédication, la dépression, et les troubles cognitifs. Les entrevues ont révélé que ces situations cliniques étaient parfois complexes à diagnostiquer et à gérer en raison de leurs aspects psychosociaux, de la communication avec les patients et les familles, et de la coordination des équipes interprofessionnelles. Les superviseurs ont également rapporté des besoins plus important en milieu soins de longue durée et à domicile par rapport aux soins ambulatoires, dû à la complexité des soins aux aînés dans ces milieux et à la présence de proches aidants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.030 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".