Overcoming Financial and Social Barriers during COVID-19: A Medical Student-led Medical Education Innovation
Notice bibliographique
Résumé
Background: Underrepresented minorities in medicine (URMM) may face financial and social limitations when applying to medical schools. The computer-based assessment for sampling personal characteristics (CASPER) test is used by many medical schools to assess the nonacademic competencies of applicants. Performance on CASPER can be enhanced by coaching and mentorship, which URMMs often lack, for affordability reasons, when applying to medical schools. Methods: The CASPER Preparation Program (CPP) is a free, online, 4-week program to help URMM prepare for the CASPER test. CPP features free medical ethics resources, homework and practice tests, and feedback from tutors. Two of CPPs major objectives include relieving URMM of financial burdens and increasing their accessibility to mentorship during the COVID-19 pandemic. A program evaluation was conducted using anonymous, voluntary postprogram questionnaires to assess CPPs efficacy in achieving the aforementioned objectives. Results: Sixty URMMs completed the survey. The majority of the respondents strongly agreed or agreed that CPP relieves students of financial burden (97%), is beneficial for applicants with low-socioeconomic statuses (98%), provides students with resources they could not afford (n = 55; 92%), and enables access to mentors during the pandemic (90%). Discussion: Pathway coaching programs, such as the CASPER Preparation Program, have the potential to offer URMMs mentorship and financial relief, and increase their confidence and familiarity with standardized admission tests to help them matriculate into medical schools.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».