Bibliographic record
Abstract
Verantwortlicher Administration und Kommunikation SGAIM Herr Rohrbasser, seit rund 20 Jahren arbeiten Sie regelmässig mit den Instrumenten der QZ und engagieren sich in der Aus-und Weiterbildung von Moderator/-innen.Woher kommt die QZ-Methode und seit wann wird sie im Gesundheitswesen angewendet?QZ basieren auf zwei Konzepten: dem Plan-Do-Check Act(PDCA)-Zyklus und dem sozialen Kontext, den die Gruppe für dessen Funktion bietet.Die Idee verbreitete sich zuerst in der Industrie, dann in der Dienstleistungsbranche und schliesslich im medizinischen Sektor.An der kanadischen McMaster Universität wurde 1974 eine praktische Methode mittels Problem Based Learning (PBL) vorgestellt, bei der sich Hausärzt/-innen regelmässig trafen, um Gedanken über klinische Fälle auszutauschen und ihr Wissen zu erweitern.Diese Gruppen befassten sich in erster Linie mit Continuous Medical Education (CME).1979 wurde PBL experimentell auch mit kleinen Gruppen von Hausärzt/-innen in Nijmegen (NL) umgesetzt, wo zudem Aspekte der Qualität im Gesundheitswesen Einzug hielten.Allmählich verwandelte sich der Lernzyklus in einen PDCA-Zyklus, da sich der Fokus nicht mehr auf Erkenntnisgewinnung, sondern auf Qualitätsentwicklung und Implementierung von Wissen richtete.Die eigentlichen QZ waren entstanden.Sie vereinigten die didaktischen Techniken des PBL mit dem Wissen über Kommunikation und Gruppendynamik der Industrie
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 | 0.054 | 0.204 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.005 | 0.009 |
| Insufficient payload (model declined to judge) | 0.037 | 0.020 |
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".