Anti-harassment policies across Canadian and international medical programs: strengths, areas for improvement, and a need for standardization
Notice bibliographique
Résumé
Background/Purpose: Medical trainee harassment is a global issue that has led to a multitude of detrimental effects. An important area of consideration is whether harassment policies are clear and available to all medical trainees globally. We aimed to develop a standardized rubric for evaluating anti-harassment policies and assess policies across Canadian medical schools and top international universities to identify strengths and areas for improvement. Methods: We constructed a rubric by synthesizing criteria from established frameworks on harassment policy effectiveness, adapting key elements to assess clarity, accessibility, and comprehensiveness in medical school policies. On March 2023, we evaluated 58 harassment policies from 16 Canadian medical schools and 31 policies from eight of the top 10 Quacquarelli Symonds (QS)-ranked universities. Our rubric, developed from four key frameworks, scored policies across three themes: (1) Policy Foundation, (2) Complaint Procedures, and (3) Resolution and Implementation. Results: Canadian universities performed well in foundational policy areas (average score 83.00% on Theme 1) but showed meaningful gaps in Complaint Procedures (48.75%) and Resolution and Implementation (39.38%). Top international QS-ranked universities similarly scored low in these latter themes, though they performed better on formal complaint processes. Key areas needing improvement include informal complaint procedures and timelines for response in Canadian universities, and policy revision commitments in top QS-ranked universities. Conclusions: This study highlights the need for enhanced anti-harassment policies, particularly in complaint and resolution procedures. Our rubric provides a structured approach for policy evaluation, enabling Canadian and potentially international institutions to improve policy clarity, accessibility, and comprehensiveness, fostering safer training environments.
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 | 0,201 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,022 | 0,028 |
| Études des sciences et des technologies | 0,016 | 0,009 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,007 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».