Changes in Diversity, Equity, and Inclusion Activities of Family Medicine Departments
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Institutional racism causes worse health outcomes for patients of racial/ethnic minority groups via limited access to health care, disparities in quality of care delivered, and lack of physician diversity. Increased attention to racism in 2020 led many medical institutions to examine their diversity, equity, and inclusion (DEI) efforts. In the context of increased national attention to health equity, this study sought to investigate the current status of DEI infrastructure by evaluating leadership and support related to DEI in family medicine departments in 2020 and 2021. METHODS: We analyzed department and chair characteristics as well as departmental DEI infrastructure (ie, leadership and actions) from Association of Departments of Family Medicine survey data in 2020 (data collected from June to September 2020) and 2021 (data collected from September to December 2021). We performed multiple regression analyses to evaluate whether department characteristics or specific DEI activities were associated with increased DEI infrastructure in 2021 compared to 2020. RESULTS: Of the 165 department chairs sent the survey in both 2020 and 2021, 56 (33.9%) responded both years. Departments with a designated DEI leader increased from 42.9% in 2020 to 60.7% in 2021, but about 40% of departments lacked key supports for this position (ie, funding, staff support, and a pathway for advancement). Regression analysis did not demonstrate associations between independent variables and three measures of departmental DEI activities. CONCLUSIONS: This study demonstrates that designated leadership for DEI work increased in family medicine departments between 2020 and 2021.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,010 |
| 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 ».