Elevating equity: advancing diversity and inclusivity through trialing bias reduction tools in the general internal medicine program resident application process
Notice bibliographique
Résumé
BACKGROUND: Decades of medical data show worse patient outcomes among racial and gender minorities due to implicit, explicit, and structural biases. Increasing representation of marginalized groups among care providers is imperative to help address this. Limited literature exists on bias awareness strategies for interviewers during the selection of applicants to General Internal Medicine (GIM) programs in Canada. This study examines the trial of bias reduction tools to increase interviewers' awareness of implicit biases. METHODS: The Model of Improvement framework guided the trail of an instructional video, the adapted implicit association test (IAT), and a paper awareness tool (PAT) to increase interviewers' awareness of implicit biases during the University of Alberta's GIM applicant selection. An anonymous online survey was disseminated to physician interviewers. Descriptive statistics (percentages) and a modified sentiment analysis was completed. RESULTS: 10 of 14 interviewers completed the survey. Respondents reported an increased awareness of using bias reduction tools (IAT, 25%; video, 71%; PAT, 67%) to inform them on their implicit biases. The future use of IAT, video, and PAT was supported by 50%, 71%, and 67% of interviewers, respectively. CONCLUSIONS: Interviewers prefer the instructional video and PAT over the IAT. Textual responses suggest existing concerns for biases inherent to the interview process yet 70% (7/10) of respondents believe that interviews should have a weighting of 50% towards final ranking of candidates. As many institutions continue to rely on interviews to evaluate candidates, our findings indicate the need for a national study to develop a framework to mitigate inherent biases during interviewing of candidates.
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 | 0,392 | 0,455 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».