Development of a virtual simulation to support bystanders in responding to racism in the classroom in health professions education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Virtual simulations offer an engaging method to support students to address racism. • Inclusive design with students, faculty, and DEI experts ensures authenticity. • Open-access antiracism modules aim to foster inclusive learning spaces. Racism in health professions education undermines academic success and well-being of students who are Black, Indigenous, and People of Color. Bystanders often lack strategies to intervene effectively without causing further harm. We cocreated a virtual simulation module with diverse faculty and student input to equip bystanders with antiracism strategies, guided by the ARISE Bystander Model. We developed two virtual simulations: (a) identifying covert and overt racism, and (b) practicing bystander interventions in the classroom. The process integrated lived experiences, expert review, and sensitivity to equity-deserving perspectives. The module also includes preparatory materials, prebriefing, and debriefing resources to support reflection. This open-access module addresses a critical gap in education by providing an innovative, accessible resource for teaching health professionals how to navigate and intervene in racist incidents. Virtual simulation offers an interactive and immersive way to engage students, promoting empathy, education, and allyship. Its wide reach demonstrates potential for simulation-based learning to create inclusive environments. Challenges included coordination and limited Indigenous representation, highlighting areas for improvement in future projects.
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle