A logic framework for addressing medical racism in academic medicine: an analysis of qualitative data
Notice bibliographique
Résumé
Abstract Background Despite decades of anti-racism and equity, diversity, and inclusion (EDI) interventions in academic medicine, medical racism continues to harm patients and healthcare providers. We sought to deeply explore experiences and beliefs about medical racism among academic clinicians to understand the drivers of persistent medical racism and to inform intervention design. Methods We interviewed academically-affiliated clinicians with any racial identity from the Departments of Family Medicine, Cardiac Sciences, Emergency Medicine, and Medicine to understand their experiences and perceptions of medical racism. We performed thematic content analysis of semi-structured interview data to understand the barriers and facilitators of ongoing medical racism. Based on participant narratives, we developed a logic framework that demonstrates the necessary steps in the process of addressing racism using if/then logic. This framework was then applied to all narratives and the barriers to addressing medical racism were aligned with each step in the logic framework. Proposed interventions, as suggested by participants or study team members and/or identified in the literature, were matched to these identified barriers to addressing racism. Results Participant narratives of their experiences of medical racism demonstrated multiple barriers to addressing racism, such as a perceived lack of empathy from white colleagues. Few potential facilitators to addressing racism were also identified, including shared language to understand racism. The logic framework suggested that addressing racism requires individuals to understand, recognize, name, and confront medical racism. Conclusions Organizations can use this logic framework to understand their local context and select targeted anti-racism or EDI interventions. Theory-informed approaches to medical racism may be more effective than interventions that do not address local barriers or facilitators for persistent medical racism.
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 | 0,086 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,008 | 0,014 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».