Educating future physicians for francophone official language minority communities in Canada: a case study
Notice bibliographique
Résumé
Background: Over one million Francophone Canadians live in official language minority communities (OLMC) outside of Québec. Availability and accessibility of linguistically appropriate care to these OLMCs is lacking, resulting in poorer quality of care. To help address this health equity gap, the FrancoDoc program was created in 2015 to identify Francophone/Francophile medical students enrolled at medical faculties that use English as their primary language of instruction and equip them with skills to increase their medical French abilities. Little is known, however, about the affordances and limitations of this educational endeavour. Methods: Our qualitative instrumental single case study explored participants' experiences with FrancoDoc, while also examining factors shaping the delivery of linguistically appropriate healthcare services to OLMCs. We conducted semi-structured interviews with medical students from across Canada and thematically analyzed these using a reflexive, inductive approach. Results: Four main themes were derived from 12 interviews: factors facilitating French language learning; barriers to French language learning; contextual factors shaping linguistically appropriate healthcare provision; and recommendations to improve healthcare education to better prepare learners to provide care to OLMCs. Conclusions: Medical student participants are highly motivated to engage in educational activities linked to FrancoDoc. Their efforts are nonetheless frequently impeded by barriers such as time constraints, irregular event programming, lack of regular clinical learning opportunities, and lukewarm support from faculties of medicine. If medical faculties are to realize their obligations to the OLMCs that they serve, recognition of language as a specific social determinant of health and more robust institutional supports for initiatives like FrancoDoc are paramount.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,029 | 0,005 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».