Improving Equity, Diversity, and Inclusion in Plastic, Reconstructive, and Aesthetic Surgery in Canada: A Call to Action—Part II
Notice bibliographique
Résumé
Background: In May 2022, we challenged our colleagues to evaluate their educational approaches, policies, recruitment strategies, and leadership organizations with an Equity, Diversity, and Inclusion (EDI) lens. Methods: Two virtual national round table meetings were held in 2023 to discuss approaches to integration of the EDI principles into current Canadian plastic surgery training programmes. Additionally, integrative documents and processes were established within our programme to act as a guide for integration of the principles of EDI in the areas of resident education, recruitment, and retention. Results: There is an increasing awareness amongst Canadian plastic surgeons of the importance of integrating EDI education into our plastic surgery training programmes, yet there is a lack of experience and/or lack of resources available to facilitate these changes. Our taskforce (Division of Plastic Surgery at the University of Toronto) implemented an EDI curriculum in our programme in 2 main domains: Education and Recruitment Strategies. Conclusions: Breaking down some of the long-entrenched inequities in our healthcare system is an ongoing process. More work needs to be done toward increasing our trainee and faculty exposure to EDI principles, so that they can integrate these skills into their clinical practice, leadership, and beyond. Our taskforce’s successes and challenges can act as a useful resource to other programmes desiring to initiate similar change.
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 | 0,023 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,031 | 0,012 |
| Communication savante | 0,010 | 0,003 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».