Artificial intelligence and gender equity: An integrated approach for health professional education
Notice bibliographique
Résumé
INTRODUCTION: As artificial intelligence (AI) increasingly integrates into health workplaces, evidence suggests AI can exacerbate gender inequity. Health professional programmes have a role to play in ensuring graduates grasp the challenges facing working in an AI-mediated world. APPROACH: Drawing from feminist scholars and empirical evidence, this conceptual paper synthesises current and future ways in which AI compounds gender inequities and, in response, proposes foci for an integrated approach to teaching about AI and equity. ANALYSIS: We propose three concerns. Firstly, multiple literature reviews suggest that the gender divide is embedded within AI technologies from both process (AI development) and product (AI output) perspectives. Next, there is emerging evidence that AI is reinforcing already entrenched health workforce inequities, where certain types of roles are seen as being the domain of certain genders. Finally, AI may disassociate health professionals' interactions with an embodied, agentic patient by diverting attention to a gendered digital twin. IMPLICATIONS: Responding to these concerns is not simply a matter of teaching about bias but needs to promote an understanding of AI as a sociotechnical phenomenon. Healthcare curricula could usefully provide clinically relevant educational experiences that illustrate how AI intersects with inequitable gendered knowledge practices. Students can be directed to: (1) explore doubts when working with AI-generated data or decisions; (2) refocus on caring through prioritising embodied connections; and (3) consider how to negotiate gendered workplaces in a time of AI. CONCLUSION: The intersection of gender equity and AI provides an accessible, illustrative case about how changing knowledge practices have the potential to embed inequity and how health professional education programmes might respond.
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 | 0,026 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,048 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».