The need for critical and intersectional approaches to equity efforts in postgraduate medical education: A critical narrative review
Notice bibliographique
Résumé
BACKGROUND: Racialised trainees in Canada and the USA continue to disproportionately experience discrimination and harassment in learning environments despite equity, diversity, and inclusion (EDI) reform efforts. Using critical approaches to understand what problems have been conceptualised and operationalised as EDI issues within postgraduate medical education (PGME) is important to inform ongoing learning environment reform in resident training. METHODS: We conducted a critical narrative review of EDI literature from 2009-2022 using critical race theory (CRT) and the concept of intersectionality to analyse how issues of discrimination in PGME have been studied. Our search yielded 2244 articles that were narrowed down to 349 articles for relevance to Canadian and American PGME contexts. We attended to reflexivity and our positionality in analysing the database and identifying themes related to EDI reform. RESULTS: Interest convergence was noted in how EDI reform was rationalised primarily by increased productivity. Problems of learner representation, gender inequities and curricular problems were conceptualised as EDI issues. The role that racism played in EDI-related problems was largely invisible, as were explicit conceptualisations of race and gender as social constructs. Overall, there was a lack of critical or intersectional approaches in the literature reviewed. Misalignment was noted where studies would frame a problem through a critical lens, but then study the problem without attention to power. DISCUSSION: Interest convergence and epistemic injustice can account for the absence of critical approaches due to the alignment of existing EDI work with institutional interests and priorities. Interest convergence conceptually limits existing EDI reform efforts in PGME. CRT and intersectionality connect racialised learner experiences to systemic phenomena like racism and other forms of discrimination to challenge dominant assumptions. Because they attend to power, critical approaches are key to understanding why inequities have persisted to advance equity in learning environments for racialised and intersectionally marginalised learners.
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 | 0,007 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».