Préférences en matière de modalités pour assurer la formation continue du personnel en santé publique : revue de la portée
Bibliographic record
Abstract
Introduction La formation continue peut aider les professionnels de la santé à maintenir et à développer leurs connaissances et leurs compétences afin de s’adapter à la transformation du paysage de la santé publique. Cette revue de la portée vise à déterminer quelles sont les modalités préférées dans la formation continue des professionnels en santé publique et comment l’équité a été intégrée dans la formation en santé publique. Méthodologie En nous appuyant sur les lignes directrices PRISMA pour les revues de la portée, nous avons cherché dans quatre bases de données des études évaluées par les pairs qui évaluaient les modalités de formation continue du personnel en santé publique. Résultats La revue a porté sur 33 études, publiées dans 11 pays entre le 1er janvier 2000 et le 6 août 2019. Dans la plupart des articles, le public cible était généralement défini comme les professionnels en santé publique employés par un organisme gouvernemental ou non gouvernemental. Les méthodes de prestation étaient l’apprentissage en ligne, l’apprentissage en présentiel et l’apprentissage hybride (en ligne et en présentiel). Les apprenants avaient une nette préférence pour les approches autodirigées. Le soutien organisationnel, en particulier l’allocation de temps au perfectionnement professionnel durant les heures de travail, favorisait grandement l’achèvement de la formation. Les principaux obstacles mentionnés étaient la durée des cours et le nombre élevé d’heures de contact. Conclusion Les résultats laissent à penser qu’il n’y a pas véritablement de modalité de formation préférée. Nous avons relevé trois éléments qui influencent les préférences en matière de modalités de formation : la conception, la prestation et le soutien organisationnel. Les modalités devraient être choisies en fonction du lieu ainsi que des besoins et des expériences antérieures des participants, de manière à offrir un contenu pertinent et qui soit transmis d’une manière qui permette aux apprenants de mettre en application leurs nouvelles connaissances.
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 | 0.086 | 0.185 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.007 |
| Bibliometrics | 0.008 | 0.012 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.015 | 0.019 |
| Open science | 0.005 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.042 | 0.004 |
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".