Microaggressions, harassment, and discrimination in dental education: Results from the 2022 American Dental Education Association Climate Study
Notice bibliographique
Résumé
OBJECTIVE: Microaggressions, harassment, and discrimination are prevalent in higher and postsecondary education. Although there are some preliminary data in academic dentistry, their extent in this field remains under-researched. This study explores the overall perceptions of participants from the American Dental Education Association (ADEA) Climate Study regarding witnessing or experiencing microaggressions, harassment, and discrimination in dental education. METHODS: Data from the 2022 ADEA Climate Study were analyzed using logistic regression to assess the impact of role, institution type, and geographic regions on experiences of microaggressions, harassment, and discrimination across multiple social identities (race, gender, sexual identity, religious beliefs, etc.). A sentiment analysis was conducted on textual responses to gauge overall climate satisfaction. RESULTS: Administrators with faculty appointments were 1.5 times more likely than other administrators and 1.9 times more likely than staff to report experiences of microaggressions (p < 0.01). Students reported higher rates of microaggressions than faculty (odds ratio [OR] = 1.1, p = 0.02) and staff (OR = 1.2, p < 0.01). Staff were less likely to report any incident of microaggressions, harassment, or discrimination. Administrators with faculty appointments were more likely to witness or experience microaggressions based on other social identities. The Northeast region of the U.S. reported fewer microaggressions compared to other geographical regions, including Canada. Sentiment analysis predicted participants' overall satisfaction with the dental or dental allied program climate. CONCLUSION: Perceptions of microaggressions, harassment, and discrimination vary significantly across different roles and regions in academic dentistry. Addressing these systemic issues is crucial for fostering inclusive and supportive learning environments in academic dentistry.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».