“Walking on eggshells”: experiences of underrepresented women inmedical training
Notice bibliographique
Résumé
INTRODUCTION: Medicine remains an inequitable profession for women. Challenges are compounded for underrepresented women in medicine (UWiM), yet the complex features of underrepresentation and how they influence women's career paths remain underexplored. This qualitative study examined the experiences of trainees self-identifying as UWiM, including how navigating underrepresentation influenced their envisioned career paths. METHODS: Ten UWiM family medicine trainees from one Canadian institution participated in semi-structured group interviews. Thematic analysis of the data was informed by feminist epistemology and unfolded during an iterative process of data familiarization, coding, and theme generation. RESULTS: Participants identified as UWiM based on visible and invisible identity markers. All participants experienced discrimination and "otherness", but experiences differed based on how identities intersected. Participants spent considerable energy anticipating discrimination, navigating otherness, and assuming protective behaviours against real and perceived threats. Both altruism and a desire for personal safety and inclusion influenced their envisioned careers serving marginalized populations and mentoring underrepresented trainees. DISCUSSION: Equity, diversity, and inclusion initiatives in medical education risk being of little value without a comprehensive and intersectional understanding of the visible and invisible identities of underrepresented trainees. UWiM trainees' accounts suggest that they experience significant identity dissonance that may result in unintended consequences if left unaddressed. Our study generated the critical awareness required for medical educators and institutions to examine their biases and meet their obligation of creating a safer and more equitable environment for UWiM trainees.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,022 | 0,016 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».