MétaCan
Menu
Back to cohort
Record W7161821971 · doi:10.82308/48624

Mentoring practices in physical and occupational therapy: experiences of Canadian mentors and mentees

2012· dissertation· en· W7161821971 on OpenAlexaboutno aff
Liliane Asseraf-Pasin

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldPsychology
TopicMentoring and Academic Development
Canadian institutionsnot available
Fundersnot available
KeywordsContext (archaeology)Research methodologyQualitative analysisScapegoat

Abstract

fetched live from OpenAlex

Le but de cette étude était de parvenir à une compréhension des pratiques mentorales qui s'exercent en physiothérapie et en ergothérapie dans de grands établissements d'enseignement clinique universitaires canadiens, de comprendre la façon dont les professionnels débutants sont intégrés dans le milieu de travail, et d'examiner la signification que les mentors et mentorés accordent à leurs expériences mentorales. Dans cette étude, les pratiques mentorales de cinq physiothérapeutes et de cinq ergothérapeutes exerçant dans deux milieux universitaires canadiens distincts ont été examinées. Six mentors comptant plus de cinq années d'expérience et quatre mentorés avec un an ou moins d'expérience ont été recrutés en utilisant un échantillonnage de convenance. La réalisation de trois entrevues détaillées et l'élaboration d'une carte conceptuelle suivie de sessions de débreffage sous la forme d'un groupe de discussion ont constitué la principale source de collecte de données. Les journaux de bord des participants et des chercheurs, des artéfacts comme des mémos et des photographies ainsi que des entrevues avec deux administrateurs ont complété cette collecte de données. Le logiciel informatique QSR Nvivo a été utilisé pour enregistrer et organiser les données. La méthode de comparaison constante (Maykut & Morehouse, 1994) a été utilisée, dans un premier temps, pour analyser les données. Le processus de catégorisation des données a permis de mettre en évidence les similitudes et les différences. Par la suite, pour réaliser la triangulation des données, les transcriptions de quatre participants provenant des entrevues et des groupes de discussion concernant leurs cartes conceptuelles, ainsi que de leurs journaux de bord ont été analysés en profondeur à l'aide de l'analyse de contenu holistique de Lieblich (1998). L'utilisation d'une méthode mixte m'a permis dans un premier temps de relier les données et ensuite d'explorer les relations et les tendances qui s'en dégageaient (Maxwell & Miller, 2008). En conséquence, des résumés des narrations ont été produits pour représenter une vue d'ensemble des expériences uniques de quatre professionnels (deux mentors et deux mentorés) à l'aide de la méthode ghostwriting (Rhodes, 2000).Les attentes élevées à l'endroit des professionnels nouvellement diplômés (McCloughen & O'Brien, 2005), combinées à la pénurie de main d'œuvre en physiothérapie et en ergothérapie au Canada, contribuent à faire du processus de mentorat un élément essentiel à l'embauche et à la rétention des professionnels de la santé. Les conclusions de cette étude ont démontré que les mentors facilitent le rituel qui marque le passage des professionnels débutants à la pratique professionnelle en les aidant à choisir une profession, à apprendre les rouages du métier et, en fin de compte, à s'intégrer dans le milieu de travail. Cette étude a souligné l'importance que le mentorat joue dans la construction de l'identité professionnelle des ergothérapeutes et des physiothérapeutes ainsi que dans la facilitation de l'intégration des novices dans le milieu de travail. Enfin, les résultats de cette étude suggèrent que l'implantation de programmes de mentorat plus formels peut aider à consolider la construction de l'identité professionnelle des ergothérapeutes et des physiothérapeutes. Les institutions doivent investir dans des programmes formels de mentorat s'ils veulent améliorer la rétention de leurs professionnels de la santé, ces derniers étant en nombre inférieur à la demande.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Qualitative · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.516
Threshold uncertainty score0.986

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.084
GPT teacher head0.405
Teacher spread0.321 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designQualitative
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2012
Admission routes1
Has abstractyes

Explore more

Same topicMentoring and Academic DevelopmentFrench-language works237,207