Disclosure and Double Standards: A Mixed Methods Study of Self-Disclosure of Mental Illness or Addiction Among Medical Learners
Notice bibliographique
Résumé
Abstract Purpose Despite the proliferation of initiatives to address wellbeing and reduce burnout, mental illness and addiction stigma remains rooted within medical education and healthcare. One mechanism to address this stigma is self-disclosure. Given the paucity of literature on self-disclosure in medical learners, we sought to explore perceptions of self-disclosure in medical education. Method In a mixed method, convergent triangulation design, authors recruited medical learners from across Canada. Quantitative data included the Opening Minds Scale for Healthcare providers (OMS-HC), the Self Stigma of Mental Illness Scale (SSMIS), a wellbeing measure, and questions regarding substance use from Statistics Canada. Qualitative data included semi-structured interviews, which were collected and analyzed using a phenomenological approach. Data were collected simultaneously, analyzed separately, and then triangulated. Discrepancies were discussed until consensus was achieved. Results Overall, N= 125 medical learners (n= 67 medical students, n=58 resident physicians) responded to our survey, and N=13 participated in interviews (n = 10 medical students, n =3 resident physicians). OMS-HC scores showed resident physicians had more negative attitudes towards mental illness and disclosure (47.7 vs. 44.3, P = 0.02). Self-disclosure was modulated by the degree of intersectional vulnerability of the learner’s identity. When looking at self-disclosure, people who identified as men had more negative attitudes than people who identified as women (17.8 vs 16.1, P = 0.01). Racialized learners scored higher on self-stigma. Interview data suggested that disclosure was fraught with tensions, but perceived as having a positive outcome, including the perception that self-disclosure made learners better physicians and educators in the future. Conclusion The individual process of disclosure is complex and appeared to become more challenging over time due to the internalization of negative attitudes about mental illness. Intersectional vulnerability in medical learners warrants further consideration. Fear of disclosure is an important factor shaped by the learning environment.
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 | 0,035 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».