MétaCan
Menu
Retour à la cohorte
Enregistrement W3127034479 · doi:10.1111/medu.14468

Qualitative analysis of medical student reflections on the implicit association test

2021· article· en· W3127034479 sur OpenAlexaff
Cristina M. González, Yuliana S. Noah, Nereida Correa, Heather Archer‐Dyer, Jacqueline Weingarten‐Arams, Javeed Sukhera

Notice bibliographique

RevueMedical Education · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensWestern University
Organismes subventionnairesNational Institute on Minority Health and Health DisparitiesJosiah Macy Jr. FoundationRobert Wood Johnson Foundation
Mots-clésImplicit-association testPsychologyNarrativeGrounded theoryIdentification (biology)Social psychologyTest (biology)Session (web analytics)Association (psychology)Implicit biasQualitative researchImplicit attitudeMedical educationApplied psychologyClinical psychologyPsychotherapistMedicine

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Health professions educators use the Implicit Association Test (IAT) to raise awareness of implicit bias in learners, often engendering strong emotional reactions. Once an emotional reaction ensues, the gap between learner reaction and strategy identification remains relatively underexplored. To better understand how learners may identify bias mitigation strategies, the authors explored perspectives of medical students during the clinical portion of their training to the experience of taking the IAT, and the resulting feedback. METHODS: Medical students in Bronx, NY, USA, participated in one 90-minute session on implicit bias. The focus of analysis for this study is the post-session narrative assignment inviting them to take the race-based IAT and describe both their reaction to and the implications of their IAT results on their future work as physicians. The authors analysed 180 randomly selected de-identified essays completed from 2013 to 2019 using an approach informed by constructivist grounded theory methodology. RESULTS: Medical students with clinical experience respond to the IAT through a continuum that includes their reactions to the IAT, acceptance of bias along with a struggle for strategy identification, and identification of a range of strategies to mitigate the impact of bias on clinical care. Results from the IAT invoked deep emotional reactions in students, and facilitated a questioning of previous assumptions, leading to paradigm shifts. An unexpected contrast to these deep and meaningful reflections was that students rarely chose to identify a strategy, and those that did provided strategies that were less nuanced. CONCLUSION: Despite accepting implicit bias in themselves and desiring to provide unbiased care, students struggled to identify bias mitigation strategies, a crucial prerequisite to skill development. Educators should endeavour to expand instruction to bridge the chasm between students' acceptance of bias and skill development in management of bias to improve the outcomes of their clinical encounters.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,514
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,522
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,514
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,061
Tête enseignante GPT0,564
Écart entre enseignants0,503 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207