Barriers to Black Medical Students and Residents Pursuing and Completing Surgical Residency in Canada: A Qualitative Analysis
Notice bibliographique
Résumé
BACKGROUND: The limited available data suggest that the Canadian surgical workforce does not reflect the racial diversity of the patient population it serves, despite the well-established benefits of patient-provider race concordance. There have been no studies to date that characterize the systemic and individual challenges faced by Black medical students in matching to and successfully finishing training in a surgical specialty within a Canadian context that can explain this underrepresentation. STUDY DESIGN: Using critical qualitative inquiry and purposive sampling to ensure sex, geographical, and student or trainee year heterogeneity, we recruited self-identifying Black medical students and surgical residents across Canada. Online in-depth semistructured interviews were conducted and transcribed verbatim. Transcripts were analyzed through an inductive reflexive narrative thematic process by 4 analysts. RESULTS: Twenty-seven participants including 18 medical students and 9 residents, were interviewed. The results showed 3 major themes that characterized their experiences: journey to and through medicine, perceptions of the surgical culture, and recommendations to improve the student experience. Medical students identified lack of mentorship and representation as well as experiences with racism as the main barriers to pursuing surgical training. Surgical trainees cited systemic racism, lack of representation, and insufficient safe spaces as the key deterrents to program completion. The intersection with sex exponentially increased these identified barriers. CONCLUSIONS: Except for a few surgical programs, medical schools across Canada do not offer a safe space for Black students and trainees to access and complete surgical training. An urgent change is needed to provide diverse mentorship that is transparent, acknowledges the real challenges related to systemic racism and biases, and is inclusive of different racial and ethnic backgrounds.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,025 | 0,010 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».