Formation of medical student professional identity: categorizing lapses of professionalism, and the learning environment
Notice bibliographique
Résumé
BACKGROUND: Acquiring the values of medical professionalism has become a critical issue in medical education. The purpose of this study was to identify lapses in professionalism witnessed by medical students during their four year MD curriculum, and to categorize, from the students' perspective, who was responsible and the settings in which these occurred. METHODS: An electronic survey, developed by faculty and medical students, was sent to all students with two email reminders. It included quantitative responses and some open-ended opportunities for comments. All analyses were performed with SAS version 9.1. RESULTS: The response rate was 45.6% (255 of 559 students) for all four years of the medical school curriculum. Thirty six percent of students had witnessed or been part of an exemplary demonstration of professionalism; 64% responded that they had witnessed a lapse of professionalism. At the pre-clerkship level, the most frequent lapses involved students: arrogance (42.2%), impairment (24.2%), followed by cultural or religious insensitivity (20.5%). At the clerkship level of training, where students are exposed to real clinical situations, the lapses involved primarily faculty (including preceptor and clinician) or other staff; these included arrogance (55.3%), breach of confidentiality (28.3%), and cultural or religious insensitivity (26.6%); impairment involved mostly students (25.5%). These findings are analyzed from the perspective of role modeling by faculty and in the context of the learning environment. CONCLUSIONS: Medical students witnessed a lapse of professionalism involving both fellow students as well as faculty and administrative staff, in several domains. Results from this study emphasize the importance of role modeling and the need for faculty development, to improve the learning environment. This study adds to the limited emerging literature on the forces that influence medical student professional identity formation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».