Addressing Bias in SLP Problem-Based Tutorials through Critical Reflexivity, Curriculum Development and Instructor Training
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Racism is prevalent in the fields of healthcare and education in North America and speech-language pathology and audiology are no exception. Systemic and individual racism in educational, training, and clinical settings creates barriers for student entry and success, and negatively impacts client care. Although the ability to serve clients of diverse backgrounds is a crucial skill for students and clinicians, current educational curricula appears insufficient in supporting culturally diverse students and preparing all students to work with culturally diverse populations. This is, in part, due to a lack of diverse representation in education and clinical settings, bias experienced by SLP and audiology students in education programs, and problematic ways in which clinical information and race are presented in these educational programs. This paper aims to provide evidence informed guidance to SLP and audiology educators that will support their efforts to: 1. Develop students’ critical reflection and critical reflexivity skills. 2. Integrate racial and cultural diversity in the curricula. 3. Develop instructor competencies to create a safe learning environment. An example of a problem-based tutorial course in an SLP program is presented with a focus on clinical case development and small group learning experiences. Revision of curricula content with a focus on developing students’ lifelong skills in critical reflexivity may provide a foundation to equip SLPs and audiologists to address existing health disparities and improve client 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.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 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) | 0,000 | 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 découle