Toepassing van het concept EPA als verbinding tussen professionele activiteiten en CanMEDS competentie gebieden
Bibliographic record
Abstract
Inleiding: In dit pilotonderzoek zijn voor het specialisme Urologie de zogenaamde Entrustable Professional Aclivities (EPA's) geïdentificeerd van de Physician Assistant (PA). Ook zijn aan de hand van het CanMEDS (Canadian Medical Education Directions for Specialists, 2005) framework de kerncompetenties geanalyseerd.\nMethode: Urologen en PA's Urologie zijn met behulp van een semi-gestructureerde vragenlijst geinterviewd. De verzamelde data en uitkomsten van deze interviews zijn uitgewerkt tot een tweedimensonale matrix van EPA's en CanMEDS competenties. Deze matrix is vervolgens door vijf experts geanalyseerd op volledigheid van de EPA's en op toepassing van de competentiegebieden van het CanMEDS framework. De antwoorden op de in de interviews gestelde open vragen over de items supervisie en vertrouwen bij het delegeren van EPA's zijn geanalyseerd volgens de Grounded Theory benadering.\nResultaten: In dit pilotonderzoek zijn 47 EPA's urologie gedetermineerd. De tweedimensionale matrix objectiveert de EPA's en de aan het CanMEDS framework gerelateerde kerncompetenties. Het leren uitvoeren van de EPA's door de PA vereist supervisie en vertrouwen van de uroloog. EPA's aanleren gaat volgens de opeenvolgende stappen: kennis uitvragen, demonstreren, uitvoeren onder begeleiding, tot hel uiteindelijk zelfstandig uitvoeren van de activiteiten. Bij het aanleren van een EPA dient de uroloog aanwezig te zijn ter observatie, bijsturing en beoordeling. Het opbouwen van wederzijds vertrouwen tussen uroloog en PA heeft tijd nodig en blijft een subjectief aspect. Naast een optimale communicatie is het aangeven van grenzen belangrijk.\nConclusie en beschouwing: Het pilotonderzoek levert een empirisch gefundeerd model voor de samenhang tussen EPA's en CanMEDS competenties. Het resultaat is bruikbaar voor scholing van de PA Urologie; nader onderzoek is noodzakelijk.
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 | 0.033 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
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".