Supporting diverse health leadership requires active listening, observing, learning and bystanding
Notice bibliographique
Résumé
Purpose Fostering diversity in health leadership is imperative as that not only enhances the quality of health care itself, but improves an organization's effectiveness and responsiveness to address the needs of a diverse population. Inequitable structures entrenched in health care such as sexism, racism and settler colonialism undermine efforts made by women from diverse backgrounds to obtain leadership roles. This paper identifies leading practices which support diverse health leadership. Design/methodology/approach A multi-methodological approach involving a targeted published and gray literature search undertaken through both traditional means and a systematic social media search, focused particularly on Twitter. A literature and social media extraction tool was developed to review and curate more than 800 resources. Items chosen included those which best highlighted the barriers faced by diverse women and those sharing tools of how allies can best support the diverse women. Findings Four core promising practices that help to disrupt the status-quo of health leadership include (1) active listening to hear and amplify voices that have been marginalized, (2) active learning to respond to translation exhaustion, (3) active observing and noticing microaggressions and their consequences and (4) active bystanding and intervention. Social implications When implemented, these practices can help to dismantle racism, sexism, ableism and otherwise challenge the status-quo in health leadership. Originality/value This paper provides an original and value-added review of the published literature and social media analysis of heretofore disparate practices of allyship, all while amplifying the voices of health leaders from marginalized communities.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,024 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».