Développement et validation d’un outil d’évaluation des compétences non-techniques en simulation des entretiens pharmaceutiques
Bibliographic record
Abstract
La simulation est une méthode pédagogique développée en santé pour former les professionnels aux compétences techniques et non-techniques en proposant des mises en situation. Dans le domaine pharmaceutique, elle est utilisée pour former les pharmaciens et préparateurs à la communication centrée – patient utilisé lors des entretiens pharmaceutiques. Elle repose principalement sur un débriefing réalisé selon la méthode Good Judgment par un formateur aguerri et attentif. Pour faciliter le débriefing du formateur, nous cherchons : A/à développer un outil complet spécifique et adapté aux compétences de communication du pharmacien centré sur le patient impliquant tous les modes de communication verbale, non verbale et paraverbale ; B/à valider son contenu ; C/à déterminer sa validité et sa fiabilité. Une approche en plusieurs étapes est utilisée pour créer et valider l’outil : 1/recherche bibliographique (PubMed/Embase/Google Scholar) ; 2/remue-méninge ; 3/construction ; 4/analyse qualitative avec pharmaciens et préparateurs pour la validité de construction ; 5/des comparaisons avec d’autres outils pour la validité prédictive ; 6/des tests de fiabilité inter- et intra-évaluateurs avec des évaluateurs formés. 1/l’analyse de littérature rapporte 6 outils pour la formation à la communication centrée patient: (Calgary-Cambridge Guide, Four Habits, MRCF, MUR, NMS advanced services, PaCT) dont 4 adaptés à la communication pharmaceutique Four Habits, PaCT, MRCF, MUR ; 2/l’outil d’évaluation observationnelle créé ComPharSims : comprend 23 compétences classées en 12 items (environnement, explorer/intégrer la perspective du patient, démontrer de l’intérêt et de l’empathie, collaborer et éduquer, communiquer avec finesse…). Chaque élément à 0 à 5 micro-compétences décrites. Pour chaque élément, des critères permettent d’attribuer une note de 0 à 4 en fonction de la réussite des différentes micro-compétences (ou du nombre de mots de jargon utilisés) ; 3/la validité prédictive/corrélation r = 0,74 ; 4/la fiabilité des tests pour les coefficients de corrélation intraclasse du score global est de 0,74 pour la fiabilité inter-évaluateur et de 0,86 pour la fiabilité intra-évaluateur. ComPharSim est un instrument utile pour évaluer les compétences de communication des pharmaciens/PPH avec les patients dans le cadre de séance de simulation d’entretien pharmaceutique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.021 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".