Exploring implicit influences on interprofessional collaboration: a scoping review
Notice bibliographique
Résumé
Interprofessional collaboration (IPC) is fraught with multiple tensions. This is partly due to implicit biases within teams, which can reflect larger social, physical, organizational, and historical contexts. Such biases may influence communication, trust, and how collaboration is enacted within larger contexts. Despite the impact it has on teams, the influence of bias on IPC is relatively under-explored. Therefore, the authors conducted a scoping review on the influence of implicit biases within interprofessional teams. Using scoping review methodology, the authors searched several online databases. From 2792 articles, two reviewers independently conducted title/abstract screening, selecting 159 articles for full-text eligibility. From these, reviewers extracted, coded, and iteratively analyzed key data using a framework derived from socio-material theories. Authors found that many studies demonstrated how biases regarding dominance and expertise were internalized by team members, influencing collaboration in predominantly negative ways. Articles also described how team members dynamically adapted to such biases. Overall, there was a paucity of research that described material influences, often focusing on a single material element instead of the dynamic ways that humans and materials are known to interact and influence each other. In conclusion, implicit biases are relatively under-explored within IPC. The lack of research on material influences and the relationship among racial, age-related, and gender biases are critical gaps in the literature. Future research should consider the longitudinal and reciprocal nature of both positive and negative influences of bias on collaboration in diverse settings.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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 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 ».