Integrating Language Instruction into Pharmacy Education: Spanish and Arabic Languages as Examples
Notice bibliographique
Résumé
Effective communication is key for healthcare providers to provide optimal care for patients. Pharmacists’ fluency in a patient’s native language is important for effective communication. Additionally, language concordance improves patients’ trust and ensures health equity. In the United States (US), Hispanics are the largest minority group, but only 36% of the pharmacy schools in the US offer Spanish courses in their curriculum. Conversely, Middle Eastern countries have implemented English as the language of instruction in pharmacy schools, though the native language of the patient population is Arabic. The discrepancy between the language of education and the language used by patients might lead to communication problems, thus limiting a pharmacist’s role in practice. This review aims to describe the efforts of pharmacy schools both in the US and Middle Eastern countries to incorporate a second language (Spanish and Arabic, respectively) in their curriculum. Spanish language content has scarcely been introduced into the pharmacy curriculum in the US, either as didactic elements (elective courses, lab sessions, modules within a course, or co-curricular programs) or as language immersion experiences (rotations and internships, nationally or abroad). In Arabic-speaking countries, an Arabic course was introduced to the pharmacy curriculum to enhance students’ communication skills. This review provides an overview of the steps taken in various pharmacy programs to prepare students for adequate multilingual speaking. The findings reveal the need for additional strategies to assess the impact of language courses on student performance and patient experience, as well as language competence in pharmacists and pharmacy students.
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 | 0,006 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».