“Being on Both Sides”: Canadian Medical Students’ Experiences With Disability, the Hidden Curriculum, and Professional Identity Construction
Notice bibliographique
Résumé
PURPOSE: Medical students with disabilities hold firsthand knowledge as health care recipients, yet face barriers to disclosure and support. Their experiences provide a unique lens for understanding professional identity construction; this study explored how disabled medical students experience training as both patients and trainees. METHOD: The authors conducted qualitative interviews with 10 medical students at the University of Toronto Faculty of Medicine with self-identified disabilities. They performed textual analysis of documents concerning medical student wellness from 13 Canadian universities, including policies, student services, and student blogs (July 2016 to March 2017). Using principles of critical discourse analysis, the authors coded the interviews and texts to identify operating discourses and core themes, drawing from sociocultural theories of professional identity construction and the hidden curriculum. RESULTS: Two dominant discourses emerged from the interviews and texts, revealing institutionalized notions of the perceived "good student" and "good patient." These roles held contradictory demands, demonstrating how institutions often implicitly and explicitly framed wellness as a means to optimal academic performance. Two additional themes, "identity compartmentalization" and "identity intersection," captured students' experiences navigating identities as patients and trainees. Although students lacked explicit opportunities to express their expertise as patients in the formal curriculum, their experiences in both roles led to improved communication, advocacy, and compassion. CONCLUSIONS: Institutional discourses around disability and academic performance hold material implications for curricular content, clinical teaching, and availability of supports in medical school. By repositioning students' experiences with disability as sources of expertise, this study highlights opportunities for teaching compassionate care.
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,045 | 0,037 |
| Communication savante | 0,011 | 0,004 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».