Roadmap and Reflections on Expanding Equity, Diversity, Inclusion, Indigeneity, and Accessibility in Pharmacology Curricula
Notice bibliographique
Résumé
Nurturing learning systems that are respectful and welcoming to diverse individuals is a step towards improving the experience of all students in pharmacology and toxicology (Pharm-Tox). This paper evaluates the Pharm-Tox curriculum at the University of Toronto with a critical lens towards the incorporation of content that is Equitable, Diverse, Inclusive, acknowledges Indigeneity, and is Accessible (EDIIA). A curriculum mapping approach examined the undergraduate Pharm-Tox curriculum to identify EDIIA gaps and areas for improvement. Key stakeholders that contributed to the curriculum mapping process were undergraduate students, teaching faculty, and an external research associate who identified EDIIA themes used to evaluate existing course materials. The curriculum map identified areas to improve EDIIA integration in individual courses and resulted in the design of course-specific recommendations. Centrally housed department resources were also developed to mitigate barriers to faculty implementation of the EDIIA recommendations. These resources included an internal EDIIA handbook on appropriate language in the classroom, a guide to creating accessible and inclusive PowerPoint slides, and a pre-course survey to identify the student population and their needs. Resources were well received by faculty, and to assess the impact of EDIIA recommendations on student learning, ongoing review of curricular changes will be conducted through student surveys. The recommendations from this curriculum mapping process encourage faculty to explore opportunities for EDIIA integration in the undergraduate Pharm-Tox curriculum with the goal of strengthening the existing curriculum and improving the student learning experience.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».