Identifying factors influencing program selection in health sciences by underrepresented minority students—a scoping review
Notice bibliographique
Résumé
There is a critical need to diversify health professionals to better serve the growing minority population in North America. Unfortunately, minority groups remain underrepresented in health professions. Despite recruitment efforts by government and academic institutions, fewer underrepresented minority (URM) students choose careers in healthcare. Identifying the key factors influencing URM students’ decisions to pursue health sciences programs could enhance diversity in these programs through targeted admissions strategies, ultimately leading to a more diverse future healthcare workforce. This scoping review was conducted in accordance with the Joanna Briggs Institute methodology for scoping reviews. Five electronic databases and gray literature were searched to identify North American papers published between 1942 and 2022. Identified studies focused on URM students’ perceptions of facilitators and barriers to matriculate into a health science degree. Twenty-one articles were analyzed. Following content analysis, the facilitators and barriers identified comprised personal, socio-cultural, institutional, and financial. The most frequent facilitators reported were scholarships, family support, and the presence of role models. Common barriers included high tuition fees, pre-admission criteria, lack of awareness about the health profession, availability of financial aid, and the admission process. The findings of this review will facilitate the development and implementation of customized, comprehensive strategies to recruit more URM students to health science programs in the future, thereby improving efforts toward creating a diverse healthcare workforce.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».