Let’s Talk about Bias in Healthcare: Experiences from an Interactive Interprofessional Student Seminar
Notice bibliographique
Résumé
Background: Education to increase awareness of the impact of bias in healthcare should be included in all health professions training programs. This report describes the implementation and outcomes of an interactive, interprofessional pilot seminar on racial bias in healthcare for health professions students. Methods: Forty students across the University of Nebraska Medical Center’s six health profession colleges participated in a 3-part, 1-hour seminar, including a video vignette depicting examples of bias in the hospital, facilitated interprofessional small group discussions, and interaction with a health equity expert panel. We analyzed the results of participants’ Ethnic Perspective-Taking (EP) and Implicit Bias Knowledge scale (IBKS) scores before and after the seminar. Results: There was a statistically significant increase (p<0.001) in the average post-seminar EP scores (30.6 post-seminar vs 27.8 pre-seminar). For the adapted IBKS, there were significant improvements in participant knowledge, skills to identify, and ability to explain the impact of implicit biases (p<0.05). Participants highlighted the importance of including education about bias in healthcare training, and some suggested mandatory education. All facilitators agreed that learners gained a deeper appreciation for the effect of bias and racism on health outcomes and participants understood how bias and racism affect patient care and clinician experience after the seminar. Conclusion: Health professions training often lacks integrated interprofessional and health equity education. This seminar addresses both, engaging community voices without heavy resources. Despite low participation, results show the benefits of interactive sessions on health equity, helping students grasp their role in equitable care and influencing future practice.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».