Anti-racism curricula in undergraduate medical education: A scoping review
Notice bibliographique
Résumé
Purpose Medical educators have increasingly focused on the systemic effects of racism on health inequities in the United States (U.S.) and globally. There is a call for educators to teach students how to actively promote an anti-racist culture in healthcare. This scoping review assesses the existing undergraduate medical education (UME) literature of anti-racism curricula, implementation, and assessment.Methods The Ovid, Embase, ERIC, Web of Science, and MedEdPORTAL databases were queried on 7 April 2023. Keywords included anti-racism, medical education, and assessment. Inclusion criteria consisted of any UME anti-racism publication. Non-English articles with no UME anti-racism curriculum were excluded. Two independent reviewers screened the abstracts, followed by full-text appraisal. Data was extracted using a predetermined framework based on Kirkpatrick’s educational outcomes model, Miller’s pyramid for assessing clinical competence, and Sotto-Santiago’s theoretical framework for anti-racism curricula. Study characteristics and anti-racism curriculum components (instructional design, assessment, outcomes) were collected and synthesized.Results In total, 1064 articles were screened. Of these, 20 met the inclusion criteria, with 90% (n = 18) published in the past five years. Learners ranged from first-year to fourth-year medical students. Study designs included pre- and post-test evaluations (n = 10; 50%), post-test evaluations only (n = 7; 35%), and qualitative assessments (n = 3; 15%). Educational interventions included lectures (n = 10, 50%), multimedia (n = 6, 30%), small-group case discussions (n = 15, 75%), large-group discussions (n = 5, 25%), and reflections (n = 5, 25%). Evaluation tools for these curricula included surveys (n = 18; 90%), focus groups (n = 4; 20%), and direct observations (n = 1; 5%).Conclusions Our scoping review highlights the growing attention to anti-racism in UME curricula. We identified a gap in published assessments of behavior change in applying knowledge and skills to anti-racist action in UME training. We also provide considerations for developing UME anti-racism curricula. These include explicitly naming and defining anti-racism as well as incorporating longitudinal learning opportunities and assessments.
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 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,022 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».