Sparking justice under the aegis of pragmatism: A mentorship program for Black and Indigenous students in Canadian medicine
Notice bibliographique
Résumé
While there have been multiple calls to attend to issues of diversity in medical education over past decades, medicine has remained a 'hegemonically white' profession in Canada. Mentorship programs for racialized learners are used as affirmative pathways, but their implementation can become challenging at institutions that work with neoliberal diversity at the expense of equity. There is a paucity of literature on how the advocates of such programs may therefore unwittingly embrace a pragmatic sensibility to negotiate institutional diversity imperatives while also advancing their commitments to equity and inclusion. A mentorship initiative called Sunnybrook Program to Access Research Knowledge (SPARK) for Black and Indigenous medical students was launched at a teaching hospital in Canada in 2021. It provides longitudinal research experience for second year learners so they can compete more effectively for residency placements. Relying on longitudinal critical ethnography, we examine the possibilities and limits the unintentionally adopted pragmatic approach produces for Black and Indigenous medical learners. By privileging diversity and evidence-based medicine, we found, the program made a pragmatic compromise, making the program's implementation possible. It, however, not only mitigated but contributed to the perpetuation of Black and Indigenous learners' epistemic exclusions. This analysis helps us detangle EDI and argue how pragmatically implemented programs deliver on some aspects of EDI more than on others. To foreground equity, especially in this moment of pushback, we propose consciously deploying pragmatism to bridge necessary pragmatic practices in the present with longer-term actions to dismantle entrenched inequities and thereby facilitate more effective EDI programs.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,060 | 0,009 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».