‘Is this worth getting into a big fuss over?’ Everyday racism in medical school
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Faced with an increasingly diverse student body, educators in the health professions struggle for ways to foster equality and understand racism. The concept of 'everyday racism' provides an important tool for examining subtle processes that construct a racialised climate in medical schools and other institutions. OBJECTIVES: To examine the ways racism is understood and experienced within one medical school and investigate the micro level interactional processes that may perpetuate inequality. METHODS: A survey (n = 72) and interviews (n = 25) were conducted with third year students at one Canadian medical school. A second class was surveyed (n = 61) 3 years later and 25 more students were interviewed. RESULTS: Students identified the linguistic advantage enjoyed by some classmates from ethno-cultural minority groups, but were less likely to identify the advantages enjoyed by white students, who may be more readily granted student-doctor status. Students from racialised minority groups experienced marginalisation through segregation, and struggled to respond appropriately to racist jokes and comments from patients and staff. A third (29%) of those who identified as 'minority' group members did not feel they fitted in particularly well at medical school, compared with only 7% of 'non-minority' students (chi2 P = 0.006; t-test P = 0.004). CONCLUSION: Medical students from racialised minority groups may experience 'everyday racism', mundane daily practices which intentionally or unintentionally convey disregard, disrespect or marginality. Such experiences are particularly difficult to deal with. Educators have a responsibility to counter with sustained antiracism, learning to acknowledge salient differences without reinforcing hierarchies of superiority and inferiority.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,197 | 0,001 |
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.
score_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