Bias against foreign‐born or foreign‐trained doctors: experimental evidence
Notice bibliographique
Résumé
OBJECTIVES: Bias against foreign-born or -trained medical students and doctors is not well understood, despite its documented impact on recruitment, integration and retention. This research experimentally examines the interaction of location of medical education and nationality in evaluations of doctors' competence and trustworthiness. METHODS: A convenience sample of prospective patients evaluated fictitious candidates for a position as a doctor in community practice at a new local health clinic. All applicants were described as having the same personality profile, legal qualifications to practise, a multi-degree education and relevant work experience. The location of medical education (the candidate's home country or the UK) and national background (Australia or Pakistan) of the applicants were independently experimentally manipulated. RESULTS: Consistent with previous research on skills discounting and bias, foreign-born candidates were evaluated less favourably than native-born candidates, despite their comparable education level, work experience and personality. However, overseas medical education obtained in the First World both boosted evaluations (of competence and trustworthiness) and attenuated bias based on nationality. CONCLUSIONS: The present findings demonstrate the selective discounting of foreign-born doctors' credentials. The data show an interaction of location of medical education and birth nationality in bias against foreign doctors. On an applied level, the data document that the benefits of medical education obtained in the First World can extend beyond its direct outcomes (high-quality training and institutional recognition) to the indirect benefit of the attenuation of patient bias based on nationality.
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 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 | 0,001 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,064 | 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 tête enseignante, 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 ».