Deconstructing the Monolith: An Educational Module for Understanding Disparities Within Asian American, Native Hawaiian, and Pacific Islander Populations
Notice bibliographique
Résumé
Introduction: Asian American, Native Hawaiian, and Pacific Islander (AANHPI) people represent one of the largest and most rapidly growing groups in the United States and are often aggregated as a homogeneous, rather than diverse, population in medical research and education. Currently, few educational interventions focus on the disaggregation of AANHPI patient populations and the improvement of knowledge about health disparities that affect AANHPI patients. Methods: We developed, implemented, and facilitated a workshop for medical students to address AANHPI health disparities, adaptable for in-person and online formats. The 1-hour session involved a preworkshop evaluation; a PowerPoint presentation outlining the history of the Asian monolith bias, health disparities within AANHPI subgroups, and strategies for health care professionals and trainees to engage effectively with these communities; and a postworkshop evaluation. Pre- and postworkshop evaluations assessed participants' confidence and understanding of AANHPI health disparities. Additionally, the postworkshop evaluation gathered feedback on the presentation. Results: < .05). Whether attending virtually or in person, participants reported notable improvements in their self-evaluated confidence in treating AANHPI patients. Conclusion: The AANHPI patient population comprises a myriad of different cultures, historical contexts, and health needs. We present an educational module that is associated with significant improvement of knowledge about health disparities specific to this population, informing further efforts in cultural competence within medical education.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».