Nomenclature des patients dans la formation des professionnels de la santé en fonction du rôle et de l'implication : une revue de littérature narrative
Bibliographic record
Abstract
Problème de recherche : Les patients vivant avec une maladie et qui sont impliqués dans l'éducation des professionnels de la santé sont désignés par des termes différents. Pour y remédier, A.Towle a proposé un projet de taxonomie. Objectif : Notre objectif est d'extraire de la littérature les définitions données pour les termes suivants : (1) patient éducateur, (2) patient instructeur, (3) patient mentor, (4) patient partenaire, (5) patient enseignant, (6) patient volontaire afin d'identifier clairement leurs rôles et leur niveau d'implication. Méthodes : La recherche documentaire a été effectuée dans Medline, CINAHL, PsychInfo et Eric en ajoutant l'éducation médicale ou le professionnel de santé à nos mots-clés précédemment identifiés afin de s'assurer qu'il s'agit bien de littérature traitant de l'implication des patients dans l'éducation des professionnels de santé. Résultats : Certains termes font référence à des patients ayant une maladie ou simulés. Les rôles sont plus ou moins bien décrits mais peuvent faire référence à plusieurs termes. La notion d'implication est abordée, mais pas de manière spécifique. Conclusion : Définir explicitement les termes utilisés en fonction de la description des tâches et du niveau d'implication permettrait de contribuer à la taxonomie de Towle. Les patients se sentiraient ainsi plus légitimement impliqués dans la formation des professionnels de santé.
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 | 0.021 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.011 | 0.014 |
| Science and technology studies | 0.003 | 0.015 |
| Scholarly communication | 0.011 | 0.020 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".