Assessing Diversity and Cultural Competency Among Canadian Physiotherapists: A Cross-Sectional Survey, Part 1
Notice bibliographique
Résumé
Purpose: The aims of this study were to describe cultural diversity among physiotherapists, to understand the challenges to the delivery of physiotherapy to equity-seeking communities, and to measure and assess factors associated with cultural competency. Method: We conducted a cross-sectional survey (57-items) of Canadian physiotherapists that assessed demographics, cultural competency, and challenges in delivery of rehabilitation. We used backwards elimination method to develop our regression models, and cross-validated by estimating shrinkage. Results: Our sample included 808 physiotherapists (female: 77.8%). Most practitioners identified as White/Caucasian, with Indigenous populations significantly under-represented. Physiotherapists exhibited high scores in cultural awareness and sensitivity (mean 6.0/7 [95% CI: 6.0, 6.1]), with lower scores for cultural competency behaviours (mean 4.5/7 [95% CI: 4.4, 4.5]). There was a weak association between gender (men), uncertainty regarding the presence of cultural health disparities, race (White/Caucasian), prior diversity, equity, and inclusion (DEI) training, and DEI attitudes ( R 2 = 0.17, p < 0.0001) with cultural awareness and sensitivity. There was also weak association between engagement in prior DEI training, cultural awareness and sensitivity scores, increased years of clinical experience and race (White/Caucasian) with culturally competent behavioural scores ( R 2 = 0.13, p < 0.0001). Conclusions: The findings suggest the need to improve current educational structures in DEI and promote recruitment of diverse physiotherapists. This work may help policy makers and educational institutions in developing initiatives for cultural competence.
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 | 0,000 | 0,000 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».