Anti-Indigenous bias of medical school applicants: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Structural and interpersonal anti-Indigenous racism is prevalent in Canadian healthcare. The Truth and Reconciliation Commission calls on medical schools to address anti-Indigenous bias in students. We measured the prevalence of interpersonal anti-Indigenous bias among medical school applicants to understand how the medical school selection process selects for or against students with high levels of bias. METHODS: All applicants to a single university in the 2020-2021 admissions cycle were invited to participate. Explicit anti-Indigenous bias was measured using two sliding scale thermometers. The first asked how participants felt about Indigenous people (from 0, indicating 'cold/unfavourable' to 100, indicating 'warm/favourable') and the second asked whether participants preferred white (scored 100) or Indigenous people (scored 0). Participants then completed an implicit association test examining preferences for European or Indigenous faces (negative time latencies suggest preference for European faces). Explicit and implicit anti-Indigenous biases were compared by applicant demographics (including gender and racial identity), application status (offered an interview, offered admission, accepted a position), and compared to undergraduate medical and mathematics students. RESULTS: There were 595 applicant respondents (32.4% response rate, 64.2% cisgender women, 55.3% white). Applicants felt warmly toward Indigenous people (median 96 (IQR 80-100)), had no explicit preference for white or Indigenous people (median 50 (IQR 37-55), and had mild implicit preference for European faces (- 0.22 ms (IQR -0.54, 0.08 ms)). There were demographic differences associated with measures of explicit and implicit bias. Applicants who were offered admission had warmer feelings toward Indigenous people and greater preference for Indigenous people compared to those were not successful. CONCLUSIONS: Medical school applicants did not have strong interpersonal explicit and implicit anti-Indigenous biases. Outlier participants with strong biases were not offered interviews or admission to medical school.
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 | 0,003 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,197 | 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 ».