How medical learners and educators decide what counts as mistreatment: A qualitative study
Notice bibliographique
Résumé
INTRODUCTION: The mistreatment or abuse (maltreatment) of medical learners by their peers and supervisors has been documented globally for decades, and there is significant research about the prevalence, sequelae and strategies for intervention. However, there is evidence that learners experience maltreatment as being less clear cut than do researchers, educators and administrators. This definitional ambiguity creates problems for understanding and addressing this issue. The objective of this study was to understand how medical learners and educators make sense of less-than-ideal interactions in the clinical learning environment, and to describe which factors influenced their perception that the encounter constituted maltreatment. METHODS: Using constructivist grounded theory, we interviewed 16 medical students, 15 residents or fellows, and 18 educators associated with a single medical school (n = 49). Data collection began with the most junior learners, iterating with analysis as we progressed through the project. Constant comparative analysis was used to gather and compare stories of 'definitely', 'maybe' and 'definitely not' maltreatment across a variety of axes including experience level, clinical setting and type of interaction. RESULTS: Our data show that learners and educators have difficulty classifying their experiences of negative interpersonal interaction, except in the most severe and concrete cases. While there was tremendous variation in the way they categorised similar experiences, there was consistency in the elements drawn upon to make sense of those experiences. Participants interpreted negative interpersonal interactions on an individual basis by considering factors related to the interaction, initiator and recipient. CONCLUSIONS: Only the most negative behaviour is consistently understood as maltreatment; a complex process of individual sense-making is required to determine the acceptability of each interaction. The differences between how individuals judge these interactions highlight an opportunity for administrative, research and faculty development intervention.
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 | 0,001 | 0,011 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».