Variegated racism: exploring experiences of anti-Black racism and their progression in medical education
Notice bibliographique
Résumé
BACKGROUND: Addressing anti-Black racism in medical education in Canada has become increasingly urgent as more Black learners enter medical institutions and bring attention to the racist harms they face. We sought to gather evidence of experiences of racism among Black medical learners and to explore the contexts within which racism is experienced by learners. METHODS: Drawing on critical race and structural violence theories, we conducted interviews with Black medical faculty, students, residents, and staff at the University of Saskatchewan College of Medicine between May and July 2022. We thematically analyzed interviews using instrumental case study methodology. RESULTS: Thematic analyses from 13 interviews revealed 5 central themes describing experiences of racism and the compounding nature of racist exposures as learners progressed in medicine. Medical learners experienced racism through uncomfortable encounters and microaggressions. Blatant acts of racism were instances where patients and superiors harmed students in various ways, including through use of the N-word by a superior in 1 instance. Learners also experienced curricular racism through the absence of the Black body in the curriculum and the undue pathologizing of Blackness. Medical hierarchies reinforced anti-Black racism by undermining accountability and protecting powerful perpetrators. Finally, Black women medical learners identified intersecting oppressions and misogynoir that compounded their experience of racism. We propose that experiences of racism may worsen as learners progress in medicine in part because of increases in the sources of and exposure to racism. INTERPRETATION: Anti-Black racism in medical education in Canada is experienced subtly through microaggressions or blatantly from different sources including medical faculty. As Black learners progress in medicine, anti-Black racism may become worse because of the compounding effects of exposures to a wider range of sources of racist behaviour.
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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,013 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,006 |
| 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 ».