Unpacking educational approaches for social accountability in health professions education: a scoping review
Notice bibliographique
Résumé
Health systems worldwide continue to face health inequities rooted in social, political, and economic structures. In response, health professions education (HPE) programs are increasingly aiming to prepare learners for socially accountable practice. Despite this growing attention, social accountability remains ambiguously defined and inconsistently taught, assessed, and enacted across curricula. The aim of this scoping review was to map the breadth and depth of educational approaches within HPE that promote social accountability. A scoping review was conducted following Arksey and O'Malley's six-stage framework and the Joanna Briggs Institute methodology. MEDLINE, EMBASE, CINAHL, ERIC, APA PsycINFO, and Education Source were searched for articles published from January 2000 to May 2020, with an updated search in 2024. Screening involved a calibration exercise at both title/abstract and full-text stages. Descriptive numerical analysis and reflexive thematic analysis were employed, supported by knowledge user consultation. Most articles originated in North America (n = 179; 82%) and focused on undergraduate medical education (n = 157; 71.7%), especially among future physicians (n = 122; 55.7%). Common strategies included reflection-based learning (n = 90; 41.1%), small group learning (n = 82; 37.4%), and didactic lectures (n = 80; 36.5%). Many studies described using multimodal approaches (n = 85; 38.8%). Educational approaches emphasized experiential, reflective, and community-engaged learning and were grouped into ten overarching categories. These were organized using the Guideline for Reporting Evidence-based practice Educational interventions and Teaching (GREET). By synthesizing how educational approaches to social accountability are reported, this review offers a basis for reflection, dialogue, and further inquiry into their development, delivery, and integration in HPE curricula.
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 | 0,051 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,041 | 0,034 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».