Development of an educational resource: cultural safety with patients who identify as Black, African Nova Scotian, African or Caribbean descent
Notice bibliographique
Résumé
Background: Black patients have faced health disparities and mistreatment in healthcare settings (Public Health Agency of Canada, 2020). The United Nations (UN) declared a decade for people of African descent from 2015-2024 (UN, n.d.). The UN called for recognizing this distinct population and protecting and promoting their human rights (UN, n.d.). Racial discrimination and microaggressions contribute to current and historical mistrust in the healthcare system (CDC, 2020; Cénat et al., 2022a; Cénat et al., 2022b; Waldron et al., 2023; Wolinetz & Collins, 2020). To improve the health experiences of Black patients, healthcare staff must create culturally safe environments. Methods: I conducted a literature review, consultations, and an environmental scan to explore and analyze the healthcare experiences of Black patients and the experiences of healthcare staff working with Black patients. Through the literature review, I focused on global experiences while I explored the local context through the environmental scan and consultations. Results: Black patients experienced racial discrimination, microaggressions, and a lack of trust in the health system (CDC, 2020; Cénat et al., 2022a; Cénat et al., 2022b; Waldron et al., 2023; Wolinetz & Collins, 2020). The mental health impacts of these experiences included anxiety, depressive symptoms, sleep problems, and decreased help-seeking (Cénat et al., 2022a; Cénat et al., 2022b; Chan et al., 2023; Moody et al., 2022; Nguyen et al., 2023; Waldron et al., 2023; Washington & Randall, 2023). Cultural safety training can increase healthcare providers' knowledge and improve patient interactions (Browne et al., 2021; Kaihlenan et al., 2019; Pimental et al., 2022; Yaphe et al., 2019). Based on these results, I created an educational resource, including a PowerPoint presentation and teaching guide for a one-day course in cultural safety with Black patients.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,006 |
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 ».