Health professions school applicant experiences of discrimination during interviews
Notice bibliographique
Résumé
Bias pervades every aspect of healthcare including admissions, perpetuating the lack of diversity in the healthcare workforce. Admissions interviews may be a time when applicants to health profession education programs experience discrimination. Between January and June 2021 we invited US and Canadian applicants to health profession education programs to complete a survey including the Everyday Discrimination Scale, adapted to ascertain experiences of discrimination during admissions interviews. We used chi-square tests and multivariable logistic regression to determine associations between identity factors and positive responses. Of 1115 respondents, 281 (25.2%) reported discrimination in the interview process. Individuals with lower socioeconomic status (OR: 1.78, 95% CI [1.26, 2.52], p = 0.001) and non-native English speakers (OR: 1.76, 95% CI [1.08, 2.87], p = 0.02) were significantly more likely to experience discrimination. Half of those experiencing discrimination (139, or 49.6%) did nothing in response, though 44 (15.7%) reported the incident anonymously and 10 (3.6%) reported directly to the institution where it happened. Reports of discrimination are common among HPE applicants. Reforms at the interviewer- (e.g. avoiding questions about family planning) and institution-level (e.g. presenting institutional efforts to promote health equity) are needed to decrease the incidence and mitigate the impact of such events.
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 | 0,040 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».