The Use of Non-Person-First Language in Consecutive General Ophthalmology Referrals
Notice bibliographique
Résumé
PURPOSE: To investigate the prevalence of non-person-first language (PFL) in consecutive general ophthalmology referrals to a single tertiary ophthalmology clinic. DESIGN: Retrospective cross-sectional study. METHODS: Participants included Ophthalmology patients seen for their initial visit to a single tertiary ophthalmology clinic from July 2018 to December 2022. Ten randomly selected referrals from each day were screened for non-PFL as per the American Medical Association and American Psychological Association guidelines. Non-PFL was further categorized into general, diabetes, stigma, obesity, or ageism subcategories. The Chi-square test was used to evaluate associations between non-PFL use and referring provider gender and specialty, length of referral, and patient age and gender. RESULTS: A total of 2625 referrals were included in the study and 136 (5.2%) used non-PFL, such as referring to a person with diabetes as a "diabetic". Error types included Diabetes (38.2%), Stigma (30.9%), General (23.5%), Disability (8.8%), and Obesity (4.4%). Year of referral was predictive of non-PFL (P = .0016), with most occurring in 2020 (9.5%). Non-PFL was significantly more likely to occur in long length referrals compared to medium and short length referrals (16.2% vs. 5.1% vs. 3.5%, P < .001). Referring provider specialty was also predictive of non-PFL (P < .001) with most received by Family Medicine (8.3%), Optometry (4.4%), Emergency Medicine (0.62%), Ophthalmology (4.2%), Others (2.9%). Patient gender (P = .5563), patient age (P = .3466), and referring provider gender (P = .9057) were not predictive of non-PFL. CONCLUSIONS: Non-PFL use was most prevalent in 2020, with the most common referral sources being Family Medicine and Optometry. The highest proportions of non-PFL errors made were diabetes and stigma errors. Increased use of PFL in physician-physician communication can decrease intersectional stigma and promote inclusive patient care for ophthalmology patients.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».