Advancing Curriculum Development and Design in Health Professions Education: A Health Equity and Inclusion Framework for Education Programs
Notice bibliographique
Résumé
ABSTRACT: The COVID-19 pandemic has exacerbated pre-existing health inequities in vulnerable and marginalized patient populations. Continuing professional development (CPD) can be a critical driver of change to improve quality of care, health inequities, and system change. In order for CPD to address these disparities in care for patient populations most affected in the health care system, CPD programs must first address issues of equity and inclusion in their education development and delivery. Despite the need for equitable and inclusive CPD programs, there remains a paucity of tools and frameworks available in the literature to guide CPD and broader education providers on how best to develop and deliver equitable and inclusive education programs. In this article, we describe the development and application of a Health Equity and Inclusion (HEI) Framework for education and training grounded in the Analyze, Design, Develop, Implement, and Evaluate model for instructional design. Using a case example, specifically a hospital-wide trauma-informed de-escalation for safety program, we demonstrate how the HEI Framework can be applied practically to CPD programs to support equity and inclusion in the planning, development, implementation, and evaluation phases of education program delivery. The case example illustrates how the HEI Framework can be used by CPD providers to respect learner diversity, improve accessibility for all learners, foster inclusion, and address biases and stereotypes. We suggest that the HEI Framework can serve as an educational resource for CPD providers and health professions educators aiming to create equitable and inclusive CPD programs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».