Étude de la diversité et de l’équité d’accès des candidats au niveau de l’admission des facultés franco-québécoises de médecine selon divers scénarios de pondérations des outils d’évaluation
Bibliographic record
Abstract
Plusieurs recherches traitent de l’importance de la promotion de la diversité et l’équité pour les cohortes de médecine. D’autres recherches font état de la diversité des étudiants de médecine par rapport à la diversité de la population desservie. À cet intérêt, la plupart de ces études témoignent que « la profession médicale présente un problème d’iniquité » (Tricco et al., 2021, p. 664). Dans le cadre de la reddition de compte, le secteur médical, avec ses différents détenteurs d’enjeux, doit diriger ses services afin de répondre aux différents besoins locaux et régionaux de la société (Boelen et Heck, 1995). Cependant, en absence d’une diversité suffisante, le secteur médical ne peut vraisemblablement pas remplir son devoir de donner des soins optimaux à tout le monde (Cohen et al., 2002). Il faut noter qu’assurer une diversité optimale des cohortes de médecine implique de promouvoir la diversité des professionnels de santé. À cet intérêt, les facultés de médecine doivent être socialement responsables et doivent attacher une grande importance à la sélection des candidats afin de former de futurs médecins compétents, représentatifs de la société qu’ils desservent et en mesure de répondre aux besoins de celle-ci (Gough, 2004). Ainsi, les facultés de médecine sont engagées à promouvoir la diversité et l’équité parmi leurs cohortes de médecine. À cet intérêt, plusieurs recherches canadiennes ont trouvé que les caractéristiques sociodémographiques des étudiants de médecine diffèrent de celles de la population (Khan et al., 2020; Pitre et al., 2020). Au Québec, peu d’études ont exploré cette problématique. Dans ce contexte, nous avons mené notre recherche afin de comprendre le processus d’admission aux facultés de médecine franco-québécoises tout en tenant compte des caractéristiques sociodémographiques et de la performance des candidats et des étudiants admis en 2019. En premier lieu, nous avons brossé le profil sociodémographique des candidats et des étudiants de médecine par rapport au profil sociodémographique de la population québécoise. En second lieu, nous avons exploré le lien entre la performance des candidats et des candidats admis (pour la cote R, le Casper et les MEMFI) avec leurs caractéristiques sociodémographiques. Enfin, nous avons mené des études de simulation afin d’explorer l’effet potentiel de la variation des pondérations des résultats de la cote R, du Casper et des MEMFI sur la composition démographique des cohortes de médecine. Cette recherche utilise une base de données des candidats qui sont passés par la deuxième phase d’admission de 2019 et qui ont répondu au questionnaire sur les caractéristiques sociodémographiques. À l’aide d’analyses descriptives, d’analyses de variance univariées, des tests T et de la simulation, nous avons essayé de répondre à nos intérêts de recherches déjà mentionnées. Les résultats de cette étude montrent que les caractéristiques sociodémographiques des candidats et des candidats admis des facultés de médecine franco-québécoises, en général, diffèrent des caractéristiques sociodémographiques de la population québécoise. En effet, la majorité des étudiants sont des femmes et la grande majorité des étudiants sont favorisés ou ont tendance à la favorisation matérielle et sociale ; ayant des parents qui ont fréquenté l’université et qui ont un revenu annuel supérieur à 100 000 $. En ce qui concerne la diversité ethnoculturelle, les candidats noirs, latino-américains et autochtones sont sous-représentés dans notre bassin d’étudiants admis en 2019. D’autre part, nos analyses de simulation ont permis de reconnaitre le potentiel de chaque outil d’évaluation à promouvoir ou à limiter la diversité des cohortes simulées. En effet, dans le sous-groupe étudié, la cote R favorisera les chances d’admission des hommes et des candidats matériellement et socialement défavorisés. En contrepartie, les MEMFI favoriseront les chances des candidats matériellement et socialement favorisés et pourraient défavoriser les chances des candidats asiatiques par rapport aux autres. D’autre part, nous avons montré que la procédure d’admission de 2019 n’a pas favorisé des candidats sur la base de leurs caractéristiques sociodémographiques. À travers ces résultats, nous avons constaté que notre recherche confirme les résultats d’études antérieures rapportés dans la littérature médicale.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.016 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 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".