Skin of Colour Education Initiatives Among Dermatology Residents: A Narrative Review
Notice bibliographique
Résumé
BACKGROUND: Achieving comprehensive education in skin of colour (SoC) dermatology presents a multifaceted challenge for dermatology trainees. Exposure to diverse skin tones in didactic curricula and clinical encounters varies greatly based on geographic location and institution and, as a whole, remains disparate. While SoC education initiatives for medical students and residents have increased in recent years, the characteristics and outcomes of initiatives specifically tailored to dermatology residents have not been summarized. OBJECTIVES: (1) Outline the demographic features of participants; (2) summarize intervention characteristics and the metrics by which educational impact was defined. METHODS: MEDLINE, Embase, and PubMed were searched for SoC education interventions aimed at dermatology trainees. RESULTS: Five studies were selected for inclusion. Two hundred thirty-seven dermatology residents participated from institutions across the United States, United Kingdom, Australia, and Botswana. Most interventions were didactics based, assessed changes in subjective confidence, and employed identical pre- and posttest questions. Confidence increased for didactic-only interventions, decreased with multimodal interventions, and was incongruent with objective knowledge or diagnostic scores. Single-format interventions or assessments with identical pre- and posttest questions may provide an inflated sense of confidence through recall bias or other heuristics. Conversely, the cognitive synthesis afforded by multimodal interventions or new (but equivalent) assessment questions may lead to low confidence ratings despite improved knowledge scores. CONCLUSIONS: When designing SoC learning initiatives in postgraduate dermatology education, multimodal formats, and paired objective and subjective assessments that employ both identical and different pre- and post-intervention questions may give a more relevant and accurate reflection of impact in clinical practice settings.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».