Strengthening Equity, Diversity, and Inclusion in medical education via an intersectional approach
Notice bibliographique
Résumé
Abstract Background In the wake of COVID-19, equity, diversity, and inclusion (EDI) policies have been taken up in the health field, yet the actual impact of these initiatives, particularly for multiply marginalized individuals, is debated. Despite progress in areas such as diversity promotion, EDI has been critiqued as superficial and as failing to challenge the drivers of health inequity. This presentation discusses how an intersectionality-informed approach can help harness the transformative potential of EDI. Methods This research is informed by a literature review of EDI initiatives in the health field, and is an offshoot of a 4.5 year international project funded by the Canadian Institutes for Health Research focused on evaluating and strengthening intersectionality-informed policy guidance. Results There is a disconnect between EDI commitments and substantive action on health inequities and an intersectional approach can help bridge this divide. We demonstrate this with a case example which brings an intersectional approach to EDI initiatives in medical education - including bias trainings, courses on the social determinants of health, and the engagement of community groups. Drawing on promising equity promoting work across these areas, we show how intersectionality can harness the potential of EDI by bringing to the fore what has often been missing, including the promotion of health stakeholder reflexivity, attention to interacting systems and structures shaping health, and meaningful engagement with underrepresented communities. Conclusions An intersectionality-informed approach to EDI has the potential to enhance the health equity impacts of initiatives within medical education and the broader health field. Key messages • EDI initiatives in health often have limited impact on health inequities. • An intersectionality-informed approach to EDI can help health stakeholders drive transformative action on health inequities.
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 | 0,088 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,023 | 0,083 |
| Communication savante | 0,032 | 0,023 |
| Science ouverte | 0,005 | 0,087 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».