Improving physician diversity and inclusion benefits physicians and patients
Notice bibliographique
Résumé
A diverse physician workforce in the Canadian health care system would result in more cultural competence, greater patient satisfaction, and improved population health. However, increasing representation and diversity does not automatically resolve issues of inequity, inequality, and discrimination. In this article, we discuss three broad areas of health care — the clinical environment, academic advancement, and leadership — that require intentional, systemic change if we are to make a lasting impact in terms of increasing the diversity and inclusion of underrepresented groups in medicine, and consequently, improve health outcomes. Inclusive and equitable practices to target pay inequity, unconscious bias, opposition to career advancement, and sexual harassment are integral to diverse physician recruitment and retention. Equity strategies and checks to remediate systemic biases in academic advancement through grant funding, academic criteria of merit for promotion, and the acknowledgment of differences of experience can be employed to improve equity in academic medicine. The long-standing culture, policies, and traditions of institutions within the medical establishment must be combated with a collaborative effort to foster equity through the engagement of academics and physicians from underrepresented minority groups, and the implementation of implicit bias training and meaningful accountability for creating a safe, equitable work environment for diverse physicians. Any proposed solution to improve equity and diversity should not be taken as a fixed principle to follow uncritically, but rather as a starting point for understanding and implementing the unique changes required in various local contexts.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».