MétaCan
Menu
← Retour à la cohorte
Enregistrement W4289201367 · doi:10.1108/978-1-80117-358-220221003

Equity, Diversity, and Inclusion Considerations for Leadership in Medical Education

2022· book-chapter· en· W4289201367 sur OpenAlexaffabout
Amanda Larocque, Denice Lewis, Parisa Rezaiefar, Maddie J. Venables, Douglas Archibald

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensBunge (Canada)Alberta Health Services
Organismes subventionnairesnon disponible
Mots-clésDiversity (politics)Inclusion (mineral)ViewpointsPublic relationsEquity (law)CurriculumPolitical sciencePedagogyPopulationEngineering ethicsSociologyMedical educationPsychologyMedicineSocial scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Canada's population is becoming increasingly diverse and the recent recognition of the need for inclusivity and diversity has led to conversations in undergraduate and graduate medical programs across the country. The intended outcomes of these conversations around representation are actions that better prepare medical graduates to meet the needs related to caring for a diverse Canadian population. It is paramount that learners see this progress toward equity, inclusivity, and diversity reflected in the leadership of their medical training programs. Actions toward this goal may be more impactful from a new understanding of leadership. This chapter focuses on a postcolonial reimagining of leadership that expands qualities that are valued, resulting in a natural diversification and increased inclusion among medical leaders. The authors write from their personal viewpoints and provide suggestions on revisioning leadership and curriculum, throughout. It is hoped that a paradigm shift in the way leaders are identified, recognized, and supported will address current challenges in medical culture and subsequent socialization of learners that influence their professional identities and ideas about who and what makes good leaders.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,007
Communication savante0,0060,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,194
Tête enseignante GPT0,386
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetInnovations in Medical Education→Travaux en français237 207→