The Big D(eal): professional identity through discursive constructions of ‘patient’
Notice bibliographique
Résumé
CONTEXT: Professional identity formation has become a key focus for medical education. Who one becomes as a physician is contingent upon learning to conceptualise who the other is as a patient, yet, at a time when influential ideologies such as patient-centred care have become espoused values, there has been little empirical investigation into assumptions of 'patient' that trainees take up as they progress through their training. METHODS: Our team employed a critical discourse analysis approach to transcripts originally produced from a micro-ethnography of medical student learning on an acute care in-patient paediatric ward. The dataset included 20 case presentations and 14 sign-over rounds taken from a 3-week observation period. We paid specific attention to how trainees used language to talk about, refer to and categorise patients. RESULTS: Identified discourses included patient-as-disease-category, patient-as-educational-commodity and patient-as-marginalised-actor. These discourses conceptualise 'patient' as an entity that is principally biomedical, useful for clinical learning and spoken for and about. Medical student participation in these discourses contributes to an identity that allows them to move further into the professional medical world they are joining. CONCLUSIONS: We contend that as learners participate in these discourses, they are also performatively produced by them. By making these discourses visible, we can consider how to minimise unintended effects such discourses may cause. Our findings, although limited, offer a glimpse of the effects that those assumptions may have as we look to align better the formation of professional medical identity with the ideals of patient-centred care and socially responsible health care systems.
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 | 0,000 | 0,010 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».