Gender Minorities in Simulation: A Mixed Methods Study of Medical School Standardized Patient Programs in the United States and Canada
Notice bibliographique
Résumé
Purpose A provider's ability to translate knowledge about transgender health to affirming patient care is key to addressing disparities. However, standardized patient (SP) programs have little published guidance for gender-affirming care or addressing disparities experienced by transgender and nonbinary patients. Method Between 2018 and 2019, we invited all 208 accredited US and Canadian medical schools to participate in a study to determine how gender minorities are represented in SP encounters. Responding programs (n = 59, response rate = 28%) that represented patients with diverse gender identities were invited to complete semistructured interviews about SP case content, impact, and barriers to this work. Discussions were analyzed using a modified grounded theory method. Results Fifty nine of 208 eligible programs (response rate = 28.3%) completed our survey and 24 completed interviews. More than half of programs used gender minority SPs (n = 35, 59.3%). More than half of the programs also reported portraying gender minority cases (n = 31, 52.5%). Interviewees described how effective SP simulation required purposeful case development, engaging subject matter experts with lived experience, and ensuring psychological safety of gender minority SPs. Barriers included recruitment, fear of disrespecting gender minority communities, and transphobia. Engaging gender minorities throughout case development, training, and implementation of SP encounters was perceived to reduce bias and stereotyping, but respondents unanimously desired guidance on best practices on SP methodology regarding gender identity. Conclusions Many programs have established or are developing SP activities that portray gender minority patients. Effective SP simulation hinges on authenticity, but the decisions around case development and casting vary. Specifically, programs lack consensus about who should portray gender minority patients. This research suggests that input from gender minority communities both to inform best practices at the macro level and in an ongoing advisory capacity at the program level will be essential to teach gender-affirming care.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,014 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».