Seeing Ourselves in Others: Understanding and Addressing Biases in Medical School Admissions Processes
Notice bibliographique
Résumé
Purpose: Medical school admissions is a vital area for advancing diversity, equity, and inclusion (DEI). Integrating bias recognition and management (BRM) within the context of admissions is critical in advancing DEI. However, there is a dearth of empirically informed literature on BRM in the admissions context. Therefore, this study sought to explore how individuals involved in admissions decisions process and integrate bias related feedback. Methods: The authors conducted a qualitative exploratory study using constructivist grounded theory. 21 semi-structured interviews were conducted with various participants in the admissions process at a North American medical school who had participated in bias related training. Participants included medical school faculty, senior medical students, and community volunteers. Results: Overall, participants expressed diverse perspectives on their personal biases and how these biases impact admissions decisions. Their reflections were shaped by their identities, values, and priorities, which varied based on whether they were faculty members, students, or community members. Participants also highlighted that their biases influenced their perceptions of the ideal admissions candidate, thus influencing their decision-making process. They emphasized the need for more opportunities to engage in dialogue with peers to openly share and discuss how to recognize and manage their biases. Conclusion: Our study suggests that fostering critical reflection about identity tensions, building and sustaining a community of practice, and facilitating sustained dialogue may provide admissions committees with an evidence-informed, meaningful, and sustained approach to advancing DEI through bias recognition and management.
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 | 0,001 | 0,274 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».