Why do few medical students report their experiences of mistreatment to administration?
Notice bibliographique
Résumé
INTRODUCTION: Over 50% of medical students worldwide report experiencing mistreatment and abuse during their clinical education, yet only a small proportion of students report these concerns to administration. It is unknown how medical students make sense of their experiences of mistreatment and come to decide whether to formally report these experiences. Improved understanding of this phenomenon will facilitate changes at the administrative and institutional levels to better support students. METHODS: Using Constructivist Grounded Theory, we interviewed 19 current and former medical students from one institution about their experiences with mistreatment and reporting. Data were analysed in an iterative fashion, using focused and theoretical forms of coding. RESULTS: The decision of whether to report mistreatment is only one phase in the process that students report experiencing when encountering mistreatment. This process can be understood as a journey consisting of five phases: Situating, Experiencing and Appraising, Reacting, Deciding and Moving Forward. Students move through these phases as they come to understand their position as medical learners and their ability to trust and be safe within this institution. Each experience of mistreatment causes students to react to what has happened to them, decide if they will share their experiences and reach out for support. They choose if they are going to report the mistreatment, at what cost and for what outcomes. Students continue through their training while incorporating their experiences into their understanding of the culture in which they are learning and continually resituating themselves within the institution. DISCUSSION: Student perceptions of trust or mistrust in their educational institution are highly influential when it comes to reporting mistreatment. Interventions designed to support students and decrease exposure to mistreatment may be best focused on increasing organisational trust between students and the medical school.
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 | 0,003 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».