Patient Engagement in Medical Education During the COVID-19 Pandemic: A Critical Reflection on an Epistemic Challenge [Version 2]
Notice bibliographique
Résumé
This article was migrated. The article was marked as recommended. Epistemic injustices are defined as power inequalities in the access, recognition and production of knowledge. Their persistence in medical education, especially to the detriment of patients and their specific knowledge, has been documented by several authors. Patient engagement is a new paradigm that involves fostering meaningful patient collaboration at different levels of the healthcare system. Since it is fundamentally based on the recognition of the value and relevance of patients' experiential knowledge, patient engagement in medical education is generally recognized as a desirable strategy to address epistemic injustices in the field. Patient engagement is challenged in the context of COVID-19 where most Canadian medical schools have had to quickly modify their teaching models, stop in-person classes and redirect most activities online. This article presents a critical reflection on the issues raised by COVID-constrained teaching strategies and their impact on epistemic injustices in medical education. It also suggests strategies to favour epistemic justice in medical education despite the pandemic turmoil and online shift. It therefore adds an epistemic perspective to the reflection on the effects of the pandemic on medical education and training, which has been little discussed so far.
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 | 0,046 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,020 | 0,037 |
| Communication savante | 0,030 | 0,014 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,026 | 0,043 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».