The Implicit Association Test in health professions education: A meta-narrative review
Notice bibliographique
Résumé
INTRODUCTION: Implicit bias is a growing area of interest among educators. Educational strategies used to elicit awareness of implicit biases commonly include the Implicit Association Test (IAT). Although the topic of implicit bias is gaining increased attention, emerging critique of the IAT suggests the need to subject its use to greater theoretical and empirical scrutiny. METHODS: The authors employed a meta-narrative synthesis to review existing research on the use of the IAT in health professions education. Four databases were searched using key terms yielding 1151 titles. After title, abstract and full-text screening, 38 articles were chosen for inclusion. Coding and analysis of articles sought a meaningful synthesis of educational approaches relating to the IAT, and the assumptions and theoretical positions that informed these approaches. RESULTS: Distinct, yet complementary, meta-narratives were found in the literature. The dominant perspective utilizes the IAT as a metric of implicit bias to evaluate the success of an educational activity. A contrasting narrative describes the IAT as a tool to promote awareness while triggering discussion and reflection. DISCUSSION: Whether used as a tool to measure bias, raise awareness or trigger reflection, the use of the IAT provokes tension between distinct meta-narratives, posing a challenge to educators. Curriculum designers should consider the premise behind the IAT before using it, and be prepared to address potential reactions from learners such as defensiveness or criticism. Overall, findings suggest that educational approaches regarding implicit bias require critical reflexivity regarding assumptions, values and theoretical positioning related to the IAT.
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 | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».