Les enjeux éthiques de l’enseignement en ergothérapie : des pistes de solutions
Bibliographic record
Abstract
Cet article consiste en la 2 e partie des résultats d’une étude que notre équipe a menée sur les enjeux éthiques de l’enseignement en ergothérapie et leurs pistes de solutions. Tandis que le premier article de 2020 a mis en lumière ces enjeux, le présent article porte sur les moyens de les résoudre. L’ergothérapeute qui enseigne à des étudiants en ergothérapie est tôt ou tard confronté à des enjeux éthiques. Or, ces enjeux sont peu documentés dans les écrits, de même que les pistes de solutions que les ergothérapeutes qui enseignent utilisent ou envisagent. Cette étude qualitative a permis à onze ergothérapeutes-enseignantes des quatre universités francophones du Québec qui préparent la relève ergothérapique de partager leurs bons coups. Dix unités de sens relatives à ces pistes de solutions émergent des résultats, lesquelles ont été regroupées suivant les trois domaines de l’éthique (micro, méso et macro) de Glaser. Les quatre pistes de solutions micro-environnementales sont : a) développer ses compétences éthiques; b) se soutenir entre pairs; c) développer ses compétences en lien avec sa tâche; et d) prendre soin de soi. Les quatre pistes de solutions méso-environnementales sont : a) créer des espaces de parole; b) offrir de la formation en éthique; c) faire de l’ advocacy méso; et d) changer la culture académique. Les deux pistes de solutions macro-environnementales sont : a) faire de l’ advocacy macro et b) travailler en partenariat avec les milieux cliniques. Bien que des pistes de solutions documentées dans les écrits n’aient pas été discutées par les participantes, celles que ces dernières discutent rejoignent les pistes de solutions abordées dans les écrits. Il ressort des résultats que l’éthique occupe une place limitée dans la préparation et la formation continue des enseignants en ergothérapie et que le contexte organisationnel, c’est-à-dire la culture du monde académique en général et de la recherche en particulier, est susceptible d’occasionner des enjeux éthiques préoccupants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".