How Physicians Learn to Say "I'm Sorry": Power, Culture, and Apology in Medical Education
Notice bibliographique
Résumé
Background: Apologizing after a medical error is a vital component of ethical, patient-centered care. Sincere apologies can restore trust, reduce distress, and support healing. Yet the ability to apologize is not instinctive, it is shaped by institutional culture, power dynamics, and educational exposure. Despite increasing emphasis on disclosure training, no prior synthesis has thoroughly examined how medical students are taught to apologize or how sociocultural factors influence this learning. This scoping review explores how medical students learn to apologize in clinical settings, focusing on formal curricula, faculty role modeling, institutional norms, and emotional skill development.Method: Using Arksey and O’Malley’s framework, refined by Levac et al., and reported per PRISMA-ScR guidelines, we searched PubMed, MEDLINE, Scopus, ERIC, and Google Scholar. Peer-reviewed articles published in English from 2000-2024 were included if they addressed apology or error disclosure in undergraduate medical education. Two reviewers conducted independent screening and data extraction. Studies were thematically analyzed across five domains: curriculum, faculty role modeling, institutional culture, emotional skills, and outcomes.Results: Seventeen studies met inclusion criteria. Interventions such as simulations, communication frameworks, and patient safety exercises improved students’ confidence in disclosure. Faculty role modeling had strong influence, though observed apologies were often inadequate. Hidden curricula and hierarchies hindered authentic communication. Empathy training facilitated sincere apologies, yet few programs assessed long-term behaviors or addressed structural barriers.Conclusion: Teaching apology in medicine requires more than communication skills, it demands longitudinal, systems-based efforts that foster humility, transparency, and institutional accountability.
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 | 0,018 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».