MétaCan
Menu
Retour à la cohorte
Enregistrement W2052317014 · doi:10.1186/s12939-015-0170-2

Ideological roadblocks to humanizing dentistry, an evaluative case study of a continuing education course on social determinants of health

2015· article· en· W2052317014 sur OpenAlexafffundabout
Martine Lévesque, Alissa Levine, Christophe Bedos

Notice bibliographique

RevueInternational Journal for Equity in Health · 2015
Typearticle
Langueen
DomaineDentistry
ThématiqueDental Health and Care Utilization
Établissements canadiensMcGill UniversityUniversité de MontréalMcGill University Health Centre
Organismes subventionnairesCanadian Institutes of Health ResearchMcGill UniversityMinistero dello Sviluppo EconomicoUniversité de MontréalRéseau de Recherche en Santé Buccodentaire et OsseuseMinistère du Développement Économique, de l’Innovation et de l’Exportation
Mots-clésTransformative learningHealth careSociologyNursingPsychologyMedical educationPublic relationsMedicinePedagogyPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Front line providers of care are frequently lacking in knowledge on and sensitivity to social and structural determinants of underprivileged patients' health. Developing and evaluating approaches to raising health professional awareness and capacity to respond to social determinants is a crucial step in addressing this issue. McGill University, in partnership with Université de Montréal, Québec dental regulatory authorities, and the Québec anti-poverty coalition, co-developed a continuing education (CE) intervention that aims to transfer knowledge and improve the practices of oral health professionals with people living on welfare. Through the use of original educational tools integrating patient narratives and a short film, the onsite course aims to elicit affective learning and critical reflection on practices, as well as provide staff coaching. METHODS: A qualitative case study was conducted, in Montreal Canada, among members of a dental team who participated in this innovative CE course over a period of four months. Data collection consisted in a series of semi-structured individual interviews conducted with 15 members of the dental team throughout the training, digitally recorded group discussions linked to the CE activities, clinic administrative documents and researcher-trainer field notes and journal. In line with adult transformative learning theory, interpretive analysis aimed to reveal learning processes, perceived outcomes and collective perspectives that constrain individual and organizational change. RESULTS: The findings presented in this article consist in four interactive themes, reflective of clinic culture and context, that act as barriers to humanizing patient care: 1) belief in the "ineluctable" commoditization of dentistry; 2) "equal treatment", a belief constraining concern for equity and the recognition of discriminatory practices; 3) a predominantly biomedical orientation to care; and 4) stereotypical categorization of publically insured patients into "deserving" vs. "non-deserving" poor. We discuss implications for oral health policy, orientations for dental education, as well as the role dental regulatory authorities should play in addressing discrimination and prejudice. CONCLUSION: Humanizing care and developing oral health practitioners' capacity to respond to social determinants of health, are challenged by significant ideological roadblocks. These require multi-level and multi-sectorial action if gains in social equity in oral health are to be made.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,018
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil0,130

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0250,016
Communication savante0,0070,003
Science ouverte0,0030,007
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,320
Tête enseignante GPT0,600
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2015
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Equity in HealthMême sujetDental Health and Care UtilizationTravaux en français237 207