What are the features of targeted or system-wide initiatives that affect diversity in health professions trainees? A BEME systematic review: BEME Guide No. 50
Notice bibliographique
Résumé
BACKGROUND/PURPOSE: There is interest to increase diversity among health professions trainees. This study aims to determine the features/effects of interventions to promote recruitment/admission of under-represented minority (URM) students to health professions programs. METHODOLOGY: This registered BEME review applied systematic methods to: title/full-text inclusion review, data extraction, and quality assessment (QA). Included studies reported outcomes for interventions designed to increase diversity of health professions education (HPE) programs' recruitment and admissions. RESULTS: Of 7225 studies identified 86 met inclusion criteria. Interventions addressed: admissions (34%), enrichment (19%), outreach (15%), curriculum (3%), and mixed (29%). They were mostly single center (76%), from the United States (81%), in medicine (45%) or dentistry (22%). URM definition was stated in only 24%. The dimension most commonly considered was ethnicity/race (88%). The majority of studies (81%) found positive effects. Heterogeneity precluded meta-analysis. Qualitative analysis identified key features: admissions studies points systems and altered weightings; enrichment studies highlighted academic, application and exam preparation, and workplace exposure. DISCUSSION/CONCLUSIONS: Several intervention types may increase diversity. Limited applicant pools were a rate-limiting feature, suggesting efforts earlier in the continuum are needed to broaden applicant pools. There is a need to examine underlying cultural and external pressures that limit programs' acceptance of initiatives to increase diversity.
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 | 0,007 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».