Teaching Culturally Safe Care in Simulated Cultural Communication Scenarios During the COVID-19 Pandemic: Virtual Visits with Indigenous Animators
Notice bibliographique
Résumé
Clinical learning activities involving Indigenous patient actors that specifically address the development of culturally safe care skills among medical students are important in order to improve health care for Indigenous people. In 2020, the COVID-19 pandemic led to strict physical distancing regulations and regional lockdowns that made the in-person delivery of Simulated Cultural Communication Scenarios (SCCS) with Indigenous patient actors impossible due to the disproportionate risk that public health emergencies pose for Indigenous communities. As the pandemic continued in 2021, we co-created a Virtual Visit approach to SCCS for the education of culturally safe care to pre-clerkship medical students. We report on student and tutor evaluation of these virtual sessions and contextualize our findings with our previous results delivering In-Person SCCSs. We found that Virtual Visit SCCS were highly effective in providing authentic exposure to and feedback from Indigenous patients. However, students rated their learning outcomes with Virtual Visit lower than the In-person approach to SCCS. We recommend formal training on interacting with patients in virtual care scenarios prior to Virtual Visit SCCS. We also found that exposure to SCCS with Indigenous animators has the potential to conjure up a diverse spectrum of sometimes unresolved negative feelings related to colonialism among students and tutors including discomfort, embarrassment, and anxiety. Our findings underscore the importance of resolving these sentiments within the safe environment of a classroom. To prepare Indigenous as well as non-Indigenous students and tutors adequately, it is important to acknowledge and critically deconstruct the embodiment of colonialism and Indigenous-settler relations when teaching physicians, as well as future physicians, preparedness for culturally safe care of Indigenous peoples.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».