Éducation interprofessionnelle en santé : des enjeux à l’implémentation
Bibliographic record
Abstract
Contexte et problématique : L’éducation interprofessionnelle (EIP) est un levier essentiel pour améliorer la qualité, la sécurité et l’humanité dans les soins. Son intégration dans les curricula d’études de santé reste cependant un défi pédagogique, logistique et culturel. Exégèse : À Genève, un programme commun d’EIP intégré aux curricula de sept filières issues de trois institutions forme chaque année plus de 1200 étudiants. Ce programme de 3 ans (6 crédits ECTS) est basé sur le référentiel de compétences interprofessionnel canadien et sur le modèle de gestion de ressources de crises TeamSTEPPS® : stratégies et outils de travail d’équipe pour améliorer la performance et la sécurité des patients. Il combine plusieurs stratégies d’apprentissage : ateliers, e-learning , jeux sérieux et simulations interprofessionnelles. Nous précisons dans cet article les termes et concepts clefs de l’EIP, clarifiant notamment la nuance utile entre les adjectifs multiprofessionnel, interprofessionnel et interdisciplinaire. Nous explicitons comment l’EIP répond à des enjeux d’actualité : qualité-sécurité des soins, évolutions de santé publique, transformation de la formation et bien-être professionnel. Enfin, nous partageons les facteurs de succès pour son implémentation : soutien institutionnel, alignement curriculaire, formation de l’équipe de formatrices et de formateurs, lien terrain-formation, amélioration continue. Conclusion : L’EIP est un investissement stratégique pour transformer les pratiques professionnelles et la culture de collaboration en santé. Son implémentation nécessite une volonté politique et institutionnelle affirmée, une diffusion progressive et une collaboration étroite avec le terrain, contribuant à améliorer la qualité et la sécurité des soins et le bien-être des professionnels.
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 | 0.093 | 0.077 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.004 | 0.017 |
| Research integrity | 0.008 | 0.012 |
| Insufficient payload (model declined to judge) | 0.017 | 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".