MétaCan
Menu
Retour à la cohorte
Enregistrement W2940022033 · doi:10.4300/jgme-d-19-00119.1

Approaching Gossip and Rumor in Medical Education

2019· letter· en· W2940022033 sur OpenAlexaff
Michael Chaikof, Evan Tannenbaum, Siddhi Mathur, Janet Bodley, Michèle Farrugia

Notice bibliographique

RevueJournal of Graduate Medical Education · 2019
Typeletter
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentreUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésGossipRumorContext (archaeology)PsychologyConstructiveSocial psychologyComputer sciencePublic relationsPolitical science

Résumé

récupéré en direct d'OpenAlex

Dr. Mariam Rahmani's recent perspectives article in the Journal of Graduate Medical Education provided a straightforward approach to helping program directors manage rumors and gossip.1 We were pleased to see that this important topic is making its way into the medical education literature, especially as social media and other electronic communication methods make the transmission of rumors increasingly effortless. While Dr. Rahmani presents a concrete framework for dealing with rumors, we argue that there is an important distinction between rumor and workplace gossip that must be clarified.Gossip is different from rumor. Gossip has recently been defined as “evaluative talk about a person who is not present,” whereas a rumor is “an unconfirmed statement or report that is in widespread circulation.”2 These are related because they often involve the discussion of a person's behavior who is not present, but there are important differences between them. Rumors are almost always speculative, lacking in evidence and legitimacy. They are transmitted from person-to-person, not back and forth between individuals, as with gossip. Gossip is often transactional and is usually rooted in truth. While rumors are predominantly negative or harmful, gossip can be characterized differently.The literature has shown that gossip can be an important sociocultural tool, especially in the context of team formation, learning, and cooperation. Positive gossip can serve to establish constructive group norms. For example, gossiping with a fellow resident about another resident's strong surgical skills communicates that surgical skills are valued and likely to be praised. In experimental models, positive and negative gossip have been shown to influence overall group and individual performance.3 Gossip can be a low-stakes method of reinforcing positive in-group behaviors and deterring negative behaviors, by targeting those who demonstrate or violate group norms, respectively.Negative gossip, on the other hand, can be harmful within learning communities. Ellwardt and colleagues showed that workplace gossip can lead to a “scapegoating” phenomenon, where those with low status tend to be targets of negative gossip more often than high-status individuals.4 This behavior can lead to further marginalization of those individuals.Negative workplace gossip can also be a symptom of dysfunctional work environments. Kuo et al showed that employees are more likely to gossip about abusive supervisors and violations of the social contract,5 the informal set of rules that dictates how employees and employers are meant to conduct themselves and interact with one another.6 Therefore, in our context, the prevalence of negative gossip among residents can be an indication to program directors that violations (eg, harassment and bullying) are occurring in the workplace. In a sense, negative gossip may serve as an indicator of disruptive behavior in the workplace.In summary, gossip and rumors are related, yet distinct, phenomena. We believe that Dr. Rahmani has presented a meaningful framework for dealing with rumor, but we argue that management of gossip requires a nuanced approach. We must accept that gossip occurs in the workplace and work toward a better understanding of its role in medical education.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,033
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,002
Études des sciences et des technologies0,0100,020
Communication savante0,0110,018
Science ouverte0,0010,011
Intégrité de la recherche0,0110,017
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,380
Écart entre enseignants0,332 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Graduate Medical EducationMême sujetMisinformation and Its ImpactsTravaux en français237 207