Patients' perspectives on medical students' professionalism: Blind spots and opportunities
Notice bibliographique
Résumé
BACKGROUND: Research has acknowledged the value of patients as essential stakeholders in medical education, yet educators have not adequately incorporated patients' perspectives into medical students' developing professionalism. Our purpose was to explore patients' perceptions of professional behaviour in medical students as a first step to considering patients' potential roles in assessing professionalism. METHODS: Building on the existing framework of the 'disavowed curriculum', we used a constructivist grounded theory approach to interview and analyse data from 19 patients (11 W, 8 M) at one urban hospital. Each participant watched five video scenarios that depict professionally challenging situations commonly faced by medical students, after which they were asked to put themselves in the position of both the patient and the student depicted in each scenario, and to discuss what they felt would be appropriate or inappropriate behaviours from each perspective. RESULTS: Patients' responses replicated all elements of the disavowed curriculum, including principles of professionalism, the student's affect or internal factors, and potential implications of actions. Their responses reflected avowed, unavowed and disavowed rationales. Participants also identified novel principles, including hide dissension in the ranks, respect privacy, advocate for yourself and have trust in the system. Patients conveyed an understanding of the multiple competing factors students must balance (e.g., providing optimal care while maximising educational opportunities) and appeared to empathise with some of the pressures students face. CONCLUSIONS: Our findings point to significant blind spots in previous research based on faculty and student perspectives of professionalism. Knowing what patients perceive as important will allow educational and assessment efforts to be refined to reflect their values. Our work begins the process of understanding how best to include patients in the assessment of medical learners.
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 | 0,012 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».