Challenging perceptions about rural practice using narratives: a living library approach in medical education
Notice bibliographique
Résumé
Introduction: The shortage of physicians in rural Canada is a continuing challenge. Canadian medical schools have adapted strategies to increase the supply of rural physicians. This study appraises the effectiveness of the living library (also called Human Library©) in medical education, as an avenue for medical and pre-medical students to engage in dialogue with rural health professionals. Similar to a conventional library, readers check out books, except that "books" are human volunteers willing to share relevant personal experiences, and "readers" are the learners. The reading is the personal interaction between human books and students through narratives of experiences. The program "The Library of Life-Stories of Rural Medicine" (TLoL), was developed to provide students with better understanding of rural life and practice through narratives. Methods: This is a mixed methods study, using pre- and post-event surveys. Statistical comparisons were done using Wilcoxon and McNemar's tests. Thematic analysis was used to explore students' expectations of TLoL and to describe their experience and key takeaways. Results: = 0.001). Themes from students' motivations for participation were: (i) students' curiosity, interest, and (ii) their willingness to engage in dialogue with the human books. Themes from the key takeaways were that TLoL allowed students: (i) to walk in a rural professional's shoes, enabling them to see "rural" in a new light, and (ii) to self-reflect and gain a sense of personal growth. Conclusion: Students made gains in attitudes and perceptions toward rural practice. Narratives have the power to challenge held beliefs around rural practice and life, and can encourage students to consider things that traditional medical teaching may not. TLoL can be an effective learning modality in medical education to provide information about rural medicine, in combination with learning opportunities such as rural block rotations and longitudinal clinical clerkship immersions.
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 | 0,011 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».