Epistemology, culture, justice and power: non‐bioscientific knowledge for medical training
Notice bibliographique
Résumé
CONTEXT: While medical curricula were traditionally almost entirely comprised of bioscientific knowledge, widely accepted competency frameworks now make clear that physicians must be competent in far more than biomedical knowledge and technical skills. For example, of the influential CanMEDS roles, six are conceptually based in the social sciences and humanities (SSH). Educators frequently express uncertainty about what to teach in this area. This study concretely identifies the knowledge beyond bioscience needed to support the training of physicians competent in the six non-Medical Expert CanMEDS roles. METHODS: We interviewed 58 non-clinician university faculty members with doctorates in over 20 SSH disciplines. We abstracted our transcripts (meaning condensation, direct quotations) resulting in approximately 300 pages of data which we coded using top-down (by CanMEDS role) and bottom-up (thematically) approaches and analysed within a critical constructivist framework. Participants and clinicians with SSH PhDs member-checked and refined our results. RESULTS: Twelve interrelated themes were evident in the data. An understanding of epistemology, including the constructed nature of social knowledge, was seen as the foundational theme without which the others could not be taught or understood. Our findings highlighted three anchoring themes (Justice, Power, Culture), all of which link to eight more specific themes concerning future physicians' relationships to the world and the self. All 12 themes were cross-cutting, in that each related to all six non-Medical Expert CanMEDS roles. The data also provided many concrete examples of potential curricular content. CONCLUSIONS: There is a definable body of SSH knowledge that forms the academic underpinning for important physician competencies and is outside the experience of most medical educators. Curricular change incorporating such content is necessary if we are to strengthen the non-Medical Expert physician competencies. Our findings, particularly our cross-cutting themes, also provide a pedagogically useful mechanism for holistically teaching the underpinnings of physician competence. We are now implementing our findings into medical curricula.
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 | 0,026 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,048 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,001 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».