Rapports de force et conflits : quels enjeux pour l’enseignement interprofessionnel ?
Bibliographic record
Abstract
Contexte : Les divergences d’opinion et les conflits sont inévitables dans le système de santé. Une collaboration efficace requiert des compétences de négociation des différents membres de l’équipe qui doivent développer des habiletés pour reconnaître les situations de différends et leurs déclencheurs et pour les résoudre. Il est essentiel d’inclure dans les cursus de formation en sciences de la santé des activités pédagogiques permettant le développement des habiletés nécessaires à la gestion positive des conflits. Problématique : Former les étudiants à la gestion des conflits dans un contexte interprofessionnel comporte plusieurs défis pédagogiques, méthodologiques et institutionnels. L’utilisation de référentiels de compétences en collaboration interprofessionnelle est utile pour structurer cet enseignement. Exégèse : Les auteures présentent un exemple de cours interprofessionnel visant la compétence de gestion des conflits qui a été révisé, en s’appuyant sur le référentiel de compétence 2024 du Consortium pancanadien pour l’interprofessionnalisme en santé (CPIS), qui valorise la nature positive et nécessaire des divergences d’opinion. Selon leur expérience, la coanimation par un tandem enseignant-clinicien et patient est extrêmement pertinente et grandement appréciée des étudiants. En particulier, quand vient le temps de réfléchir à des situations relationnelles complexes, et pour illustrer l’impact de ces situations sur les patients et proches. Conclusion : Bien que les enjeux culturels et contextuels de divers systèmes de santé influencent la présentation des conflits, des facteurs de succès des activités pédagogiques visant la compétence de gestion des conflits sont communs à tous les contextes, notamment l’utilisation de situations authentiques comme base de discussion, la création d’espaces d’échanges sécuritaires et la formation adéquate des formateurs.
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 | 0.069 | 0.097 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.017 | 0.060 |
| Scholarly communication | 0.028 | 0.033 |
| Open science | 0.004 | 0.022 |
| Research integrity | 0.006 | 0.012 |
| Insufficient payload (model declined to judge) | 0.014 | 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".