Evaluating the Dear MD to Be Podcast as an Equity, Diversity and Inclusion resource: a cross-sectional survey analysis
Notice bibliographique
Résumé
Background: Equity-deserving groups are communities marginalized from institutional power by oppressive forces (e.g., racism, sexism, homophobia, ableism). Dear MD to Be is a medical-student-led podcast created to interview physicians of intersectional backgrounds about their institutional experience. This study aims to evaluate the podcast as a tool for knowledge, mentorship, and psychological safety for equity-deserving listeners. Methods: Between February and March 2022, we recruited medical students across all levels of training from English-speaking Canadian medical schools using email listservs and social media. We disseminated a cross-sectional questionnaire assessing demographics, knowledge gained from podcast engagement, attitudes towards podcasts as a tool for mentorship, and psychological/emotional gains from the podcast content. We conducted descriptive and frequency analyses of quantitative data and applied thematic analysis to qualitative data. Results: Thirty-eight individuals completed the entire survey from all levels of training, with 97% self-identifying with at least one equity-deserving group. 100% agreed that the Dear MD to Be podcast was an accessible form of mentorship; participants appreciated self-pacing mentorship and interacting with many narratives. Listeners gleaned lessons about wellness, advocacy work, allyship, cultural imposter syndrome, and navigating discrimination. Furthermore, most listeners felt represented, empowered, and legitimized by podcast content. Conclusions: Podcasts can serve as a medium for accessible equity-centred mentorship. By disseminating multiple underrepresented narratives in medicine, the Dear MD to Be podcast serves as a source of EDI knowledge while contributing to learner safety.
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 | 0,014 | 0,025 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».