Six ways to get a grip by calling-out racism and enacting allyship in medical education
Notice bibliographique
Résumé
Actively addressing racism in our faculties of medicine is needed now, more than ever. One way to do this is through allyship, the practice of unlearning and re-evaluating, in which a person in a position of privilege and power seeks to operate in solidarity with a traditionally marginalized group. In this paper, we provide practical tips on how to practice allyship, giving educators and leaders background understanding and important tools on how to actively promote equity and diversity. We also share tips on how to promote inclusivity to more accurately reflect the communities we serve. Through six broad actions of being, knowing, feeling, doing, promoting, and acting, we can empower individuals to become allies and address racism in medical education and beyond. Creating psychologically safe spaces, educating ourselves on our complex histories and how they influence the present, recognizing racism, and advocating for change, augments awareness from which we can pivot conversations. Acknowledging potential feelings of shame, guilt, and embracing our loss of privilege, allow necessary, but challenging, personal growth to occur. Finally, dismantling the racist structures that exist within medicine, moving us beyond individual interventions, will address the systemic nature of racism in medicine. Everyone can find a starting place within this guide, as simple, consistent actions foster change in our spheres of influence; and the ripple effect of these changes will impact attitudes and behaviours broadly.
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 | 0,048 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,042 | 0,063 |
| Communication savante | 0,025 | 0,022 |
| Science ouverte | 0,004 | 0,026 |
| Intégrité de la recherche | 0,011 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».