Shedding light on autistic traits in struggling learners: A blind spot in medical education
Notice bibliographique
Résumé
Some highly challenging, seemingly "unsolvable" situations that arise in medical education could be the result of autistic traits (AT) in learners. AT exist in physicians and learners, ranging from profiles compatible with DSM-5's criteria for autism spectrum disorder (ASD) to more subtle manifestations of ASD's "broader phenotype." Often associated with strengths and talents, AT may nonetheless pose significant challenges for learning, teaching, and practising medicine. Since AT remain widely under-recognized and misunderstood by educators, clinicians, and affected individuals alike, they represent a blind spot in medical education. The use of a "neurodiversity lens" to examine challenging situations may help educators consider different pedagogical approaches to address those potentially stemming from AT.This paper aims to raise awareness and understanding of AT-related difficulties in struggling medical learners. To overcome the blind spot challenge and help develop this "neurodiversity lens," we explore different angles. Beyond any diagnostic consideration, we offer a series of contextual examples, paralleled with explanatory concepts from the field of ASD. We also underline the role of context on functional impact and describe the often ill-defined pattern of challenges encountered, as well as the fertile grounds for interpersonal misunderstandings and disrespect. We propose historical, cultural, and clinical reasons likely contributing to the blind spot. Mindful of the potential risks of prejudice associated with identifying AT-related difficulties, we underline the necessity and feasibility of conciliating diversity and dignity with accountability standards for medical competence.
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 | 0,001 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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.
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 ».