Embedding interpersonal stigma resistance into the medical curriculum: a focus group study of medical students
Notice bibliographique
Résumé
BACKGROUND: Mental-health-related stigma among physicians towards people with mental illnesses remains a barrier to quality care, yet few curricula provide training with a proactive focus to reduce the potential negative impacts of stigma. The aim of our study was to explore medical students' perspectives on what areas of learning should be targeted (where stigma presents) and how they could be supported to prevent the formation of negative attitudes. METHODS: Six focus group discussions were conducted with second, third, and fourth-year postgraduate medical students (n = 34) enrolled at The University of Melbourne Medical School in September - October 2021. Transcripts were analysed using inductive thematic analysis. RESULTS: In terms of where stigma presents, three main themes emerged - (1) through unpreparedness in dealing with patients with mental health conditions, (2) noticing mentors expressing stigma and (3) through the culture of medicine. The primary theme related to 'how best to support students to prevent negative attitudes from forming' was building stigma resistance to reduce the likelihood of perpetuating stigma towards patients with mental health conditions and therefore enhance patient care. The participants suggest six primary techniques to build stigma resistance, including (1) reflection, (2) skills building, (3) patient experiences, (4) examples and exemplars, (5) clinical application and (6) transforming structural barriers. We suggest these techniques combine to form the ReSPECT model for stigma resistance in the curriculum. CONCLUSIONS: The ReSPECT model derived from our research could provide a blueprint for medical educators to integrate stigma resistance throughout the curriculum from year one to better equip medical students with the potential to reduce interpersonal stigma and perhaps self-stigma. Ultimately, building stigma resistance could enhance care towards patients with mental health conditions and hopefully improve patient outcomes.
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 | 0,017 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 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 ».