Commentary: Racism and Bias in Health Professions Education: How Educators, Faculty Developers, and Researchers Can Make a Difference
Notice bibliographique
Résumé
The Research in Medical Education (RIME) Program Planning Committee is committed to advancing scholarship in and promoting dialogue about the critical issues of racism and bias in health professions education (HPE). From the call for studies focused on underrepresented learners and faculty in medicine to the invited 2016 RIME plenary address by Dr. Camara Jones, the committee strongly believes that dismantling racism is critical to the future of HPE.The evidence is glaring: Dramatic racial and ethnic health disparities persist in the United States, people of color remain deeply underrepresented in medical school and academic health systems as faculty, learner experiences across the medical education continuum are fraught with bias, and current approaches to teaching perpetuate stereotypes and insufficiently challenge structural inequities. To achieve racial justice in HPE, academic medicine must commit to leveraging positions of influence and contributing from these positions. In this Commentary, the authors consider three roles (educator, faculty developer, and researcher) represented by the community of scholars and pose potential research questions as well as suggestions for advancing educational research relevant to eliminating racism and bias in HPE.
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 | 0,018 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,012 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,072 | 0,072 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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 ».