Bibliographic record
Abstract
membre du comité mfe «Depuis toujours les médecins de famille travaillent de manière interprofessionnelle. Ils collaborent avec de nombreuses professions en prodiguant des soins aux patients chroniques et multi-morbides.Ce n'est donc pas à eux qu'on va apprendre comment le faire!» Ce genre de propos erroné est encore répandu.C'est en écoutant Bryan Hodges qu'un nouvel éclairage nous a été donné en déjà.On peut expérimenter l'interprofessionnalité selon un modèle où les responsabilités et décisions sont partagées.La lecture de son ouvrage «Creating the Health Care Team of the Future» a été l'élément déclencheur d'un groupe de travail Interprofessionnalité (IP) au sein de mfe, composé de membres du comité et de délégués.Succès et déceptions Ces dernières années, lors de nos collaborations avec d'autres professions, nous avons expérimenté succès et déceptions.Nous sentions notre inexpérience pratique et ressentions le besoin de conceptualiser la collaboration interprofessionnelle. En , Marc Müller et moi sommes allés apprendre de ceux qui expérimentent les soins interprofessionnels depuis plus de ans, à l'Université de Toronto.L'équipe d'enseignants qui nous a coachés était composée d'un médecin de famille, d'un psychiatre et de deux logopédistes.Ils ont partagé non seulement leur expérience pédagogique mais également leur stratégie politique: comment promouvoir e cacement et de manière pérenne les soins interprofessionnels ambulatoires?L'éducation interprofessionnelle est une stratégie de fond, de longue haleine, qui prépare les futurs soignants à travailler ensemble.L'une des pièces maîtresses de leur stratégie, après un nancement sain et sur le long terme, est l'IPE (IP Education).Il s'agit de mettre en contact précocement et tout au long de leur parcours les apprenants des di érentes professions pour qu'ils tissent des liens sociaux.
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 | 0.009 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.021 |
| Scholarly communication | 0.016 | 0.012 |
| Open science | 0.002 | 0.014 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.025 | 0.007 |
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".