Asian Conscientization: Reflections on the Experiences of Asian Faculty in Academic Medicine
Notice bibliographique
Résumé
ISSUE: Asians have experienced a rise in racialized hate crimes due to the anti-Asian rhetoric that has accompanied the COVID-19 pandemic. However, there has been little acknowledgement of anti-Asian discrimination within the medical education community. While anti-Asian hate is not new or unfamiliar to us, four authors of Asian descent, it has given us an opportunity to reflect on how we have been complicit in and resistant to the larger racial narratives that circulate in our communities. EVIDENCE: In this article, we provide a brief history of Asians in the Americas with a focus on anti-Asian hate. Next, while presenting stories from the perspective of Asian medical education researchers who were born/have settled in the U.S. and Canada, we take the opportunity to reflect on how our personal experiences have shaped our perceptions of ourselves, and the representations of Asians in the field of medicine. IMPLICATIONS: We hope to create awareness about how stereotypes of success tied to Asians can be used as a tool of oppression creating strife between Black communities, Asian communities, and other people of color. There is a need to develop critical consciousness to address the issues of equity in academia and in clinical practice.
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 | 0,021 | 0,030 |
| 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 | 0,041 | 0,042 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,003 | 0,021 |
| Intégrité de la recherche | 0,006 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».