TED2018
Tamekia MizLadi Smith: How to train employees to have difficult conversations
Tamekia MizLadi Smith: Wie man Mitarbeitern beibringt, schwierige Gespräche zu führen
Filmed:
Readability: 3.9
2,028,253 views
"Es ist an der Zeit, in Präsenzschulungen zu investieren, die Mitarbeiter dazu befähigen, schwierige Gespräche zu führen", sagt Tamekia MizLadi Smith. In einem witzigen, provokativen Vortrag stellt Smith ein Schulungsprogramm für den Arbeitsplatz mit dem Namen "Ich bin S.E.L.I.G." vor, das Vorgesetzte und Mitarbeiter gleichermaßen dazu animiert, mit Mitgefühl und Respekt miteinander zu sprechen. Fazit: Lassen Sie Menschen immer wissen, warum ihre Arbeit wichtig ist.
Tamekia MizLadi Smith - Performer, mentor
Tamekia MizLadi Smith wants to start new conversations around involving non-clinical staff in healthcare. Full bio
Tamekia MizLadi Smith wants to start new conversations around involving non-clinical staff in healthcare. Full bio
Double-click the English transcript below to play the video.
In unserer Welt werden Daten
24 Stunden am Tag,
24 Stunden am Tag,
00:12
We live in a world
where the collection of data
where the collection of data
0
968
2198
00:15
is happening 24 hours a day,
seven days a week,
seven days a week,
1
3190
2548
7 Tage die Woche,
365 Tage im Jahr gesammelt.
365 Tage im Jahr gesammelt.
00:17
365 days a year.
2
5762
2293
Diese Daten werden von sogenannten
Empfangsspezialisten gesammelt.
Empfangsspezialisten gesammelt.
00:20
This data is usually collected by
what we call a front-desk specialist now.
what we call a front-desk specialist now.
3
8730
4323
Das sind Einzelhändler
in Ihrem Lieblingskaufhaus,
in Ihrem Lieblingskaufhaus,
00:25
These are the retail clerks
at your favorite department stores,
at your favorite department stores,
4
13077
3120
die Kassierer im Supermarkt,
00:28
the cashiers at the grocery stores,
5
16221
2443
die Aufnahme im Krankenhaus
00:30
the registration specialists
at the hospital
at the hospital
6
18688
2605
00:33
and even the person that sold you
your last movie ticket.
your last movie ticket.
7
21317
3114
und sogar die Person,
die Ihnen Ihre Kinokarte verkauft.
die Ihnen Ihre Kinokarte verkauft.
Sie fragen diskret nach:
"Darf ich Ihre Postleitzahl erfragen?"
"Darf ich Ihre Postleitzahl erfragen?"
00:36
They ask discreet questions, like:
"May I please have your zip code?"
"May I please have your zip code?"
8
24908
3875
00:40
Or, "Would you like to use
your savings card today?"
your savings card today?"
9
28807
3111
Oder: "Möchten Sie
Ihre Kundenkarte benutzen?"
Ihre Kundenkarte benutzen?"
Das alles erzeugt Daten.
00:44
All of which gives us data.
10
32369
2309
Die Gespräche werden aber schwieriger,
00:46
However, the conversation
becomes a little bit more complex
becomes a little bit more complex
11
34702
4587
00:51
when the more difficult questions
need to be asked.
need to be asked.
12
39313
3318
wenn schwierigere Fragen
gestellt werden müssen.
gestellt werden müssen.
Ich erzähle Ihnen eine Geschichte.
00:54
Let me tell you a story, see.
13
42655
1793
Es war einmal eine Frau
namens Miss Margaret.
namens Miss Margaret.
00:56
Once upon a time, there was
a woman named Miss Margaret.
a woman named Miss Margaret.
14
44750
3018
00:59
Miss Margaret had been
a front-desk specialist
a front-desk specialist
15
47792
2151
Miss Margaret war 20 Jahre lang
Empfangsdame gewesen.
Empfangsdame gewesen.
01:01
for almost 20 years.
16
49967
1460
In all dieser Zeit hatte sie
wirklich niemals
wirklich niemals
01:03
And in all that time, she has never,
and I do mean never,
and I do mean never,
17
51451
3817
einen Patienten nach Geschlecht,
Rasse oder Ethnie fragen müssen.
Rasse oder Ethnie fragen müssen.
01:07
had to ask a patient their gender,
race or ethnicity.
race or ethnicity.
18
55292
3520
01:10
Because, see, now Miss Margaret
has the ability to just look at you.
has the ability to just look at you.
19
58836
3223
Denn Miss Margaret
kann Sie einfach ansehen.
kann Sie einfach ansehen.
Oh ja.
01:14
Uh-huh.
20
62083
1158
Und sie kann sehen,
ob man Mädchen oder Junge,
ob man Mädchen oder Junge,
01:15
And she can tell
if you are a boy or a girl,
if you are a boy or a girl,
21
63265
2777
schwarz oder weiß, Amerikaner
oder Nicht-Amerikaner ist.
oder Nicht-Amerikaner ist.
01:18
black or white, American or non-American.
22
66066
3237
Nach ihrer Auffassung waren das
die einzigen Kategorien.
die einzigen Kategorien.
01:21
And in her mind,
those were the only categories.
those were the only categories.
23
69327
3238
Stellen Sie sich den Tag vor,
01:24
So imagine that grave day,
24
72589
2016
01:26
when her sassy supervisor invited her
to this "change everything" meeting
to this "change everything" meeting
25
74629
4893
als ihre freche Chefin sie
zum "Ändere alles"-Treffen bat
zum "Ändere alles"-Treffen bat
01:31
and told her that would have to ask
each and every last one of her patients
each and every last one of her patients
26
79546
3634
und ihr sagte, dass sie jeden einzelnen
ihrer Patienten bitten müsse,
ihrer Patienten bitten müsse,
sich selbst zu identifizieren.
01:35
to self-identify.
27
83204
1405
01:36
She gave her six genders,
eight races and over 100 ethnicities.
eight races and over 100 ethnicities.
28
84633
4770
Sie gab ihr sechs Geschlechter,
acht Rassen und über 100 Ethnien.
acht Rassen und über 100 Ethnien.
Miss Margaret war geschockt.
01:41
Well, now, Miss Margaret was appalled.
29
89427
2588
Ich meine richtiggehend beleidigt.
01:44
I mean, highly offended.
30
92039
1397
01:45
So much so that she marched down
to that human-resource department
to that human-resource department
31
93460
3331
So sehr, dass sie
zur Personalabteilung ging,
zur Personalabteilung ging,
um herauszufinden,
ob sie in Frührente gehen könne.
ob sie in Frührente gehen könne.
01:48
to see if she was eligible
for an early retirement.
for an early retirement.
32
96815
2524
Sie beendete ihre Wutrede mit den Worten,
01:51
And she ended her rant by saying
33
99363
1960
dass ihre schlaue Chefin sie zu diesem
"Ändere alles"-Treffen eingeladen habe
"Ändere alles"-Treffen eingeladen habe
01:53
that her sassy supervisor invited her
to this "change everything" meeting
to this "change everything" meeting
34
101347
4870
01:58
and didn't, didn't, even, even
35
106241
2024
und nicht einmal, ja nicht einmal
etwas zu Essen mitgebracht habe.
etwas zu Essen mitgebracht habe.
02:00
bring, bring food, food, food, food.
36
108289
3028
(Lachen)
02:03
(Laughter)
37
111341
1154
(Applaus) (Jubel)
02:04
(Applause) (Cheers)
38
112519
5067
Man bringt doch Essen
zu so einem Meeting mit.
zu so einem Meeting mit.
02:10
You know you've got to bring food
to these meetings.
to these meetings.
39
118681
2434
(Lachen)
02:13
(Laughter)
40
121139
2343
02:15
Anyway.
41
123506
1159
Jedenfalls ...
02:16
(Laughter)
42
124689
1508
(Lachen)
Das war ein Beispiel
aus der Gesundheitsbranche,
aus der Gesundheitsbranche,
02:18
Now, that was an example
of a healthcare setting,
of a healthcare setting,
43
126221
2769
aber natürlich sammeln alle Unternehmen
in der ein oder anderen Form Daten.
in der ein oder anderen Form Daten.
02:21
but of course, all businesses
collect some form of data.
collect some form of data.
44
129014
3333
02:24
True story: I was going
to wire some money.
to wire some money.
45
132371
3142
Wahre Geschichte:
Ich wollte Geld überweisen.
Ich wollte Geld überweisen.
Die Kundenberaterin fragte mich,
02:28
And the customer service
representative asked me
representative asked me
46
136165
2555
ob ich in den USA geboren sei.
02:30
if I was born in the United States.
47
138744
2334
02:33
Now, I hesitated to answer her question,
48
141419
2381
Ich zögerte, ihre Frage zu beantworten,
und bevor sie wusste, warum ich zögerte,
02:35
and before she even realized
why I hesitated,
why I hesitated,
49
143824
3130
fing sie an, das Unternehmen,
für das sie arbeitete, schlecht zu machen.
für das sie arbeitete, schlecht zu machen.
02:38
she began to throw the company
she worked for under the bus.
she worked for under the bus.
50
146978
3015
02:42
She said, "Girl, I know it's stupid,
but they makin' us ask this question."
but they makin' us ask this question."
51
150017
5072
Sie sagte: "Ich weiß, es ist dumm,
aber wir müssen diese Fragen stellen."
aber wir müssen diese Fragen stellen."
02:47
(Laughter)
52
155113
1151
(Lachen)
02:48
Because of the way she presented it to me,
53
156288
2073
Wegen der Art, wie sie es mir vortrug,
dachte ich: "Warum?
dachte ich: "Warum?
02:50
I was like, "Girl, why?
54
158385
1600
Warum müsst ihr diese Fragen stellen?
02:52
Why they makin' you ask this question?
55
160561
2230
02:54
Is they deportin' people?"
56
162815
1802
Deportieren sie Leute?"
(Lachen)
02:56
(Laughter)
57
164641
2142
Aber ich wandte mich an mein anderes Ich,
02:58
But then I had to turn on
the other side of me,
the other side of me,
58
166807
2222
03:01
the more professional
speaker-poet side of me.
speaker-poet side of me.
59
169053
2568
das professionellere Sprecher-Ich.
Das, das versteht,
dass es Miss Margarets überall gibt.
dass es Miss Margarets überall gibt.
03:04
The one that understood that there were
little Miss Margarets all over the place.
little Miss Margarets all over the place.
60
172164
4150
Gutherzige Menschen,
sogar gute Angestellte,
sogar gute Angestellte,
03:08
People who were good people,
maybe even good employees,
maybe even good employees,
61
176871
2968
aber ohne die Fähigkeit,
ihre Fragen richtig zu stellen,
ihre Fragen richtig zu stellen,
03:11
but lacked the ability
to ask their questions properly
to ask their questions properly
62
179863
2552
03:14
and unfortunately, that made her look bad,
63
182439
2535
und das ließ sie schlecht dastehen,
und noch schlimmer,
und noch schlimmer,
03:16
but the worst, that made
the business look even worse
the business look even worse
64
184998
3246
das ließ das Unternehmen
noch schlechter dastehen als sie selbst.
noch schlechter dastehen als sie selbst.
03:20
than how she was looking.
65
188268
1666
Denn sie hatte keine Ahnung, wer ich war.
03:22
Because she had no idea who I was.
66
190236
1767
03:24
I mean, I literally could have been
a woman who was scheduled to do a TED Talk
a woman who was scheduled to do a TED Talk
67
192027
3685
Ich hätte eine Frau sein können,
die einen TED-Talk halten
und sie als Beispiel benutzen würde.
und sie als Beispiel benutzen würde.
03:27
and would use her as an example.
68
195736
1778
03:29
Imagine that.
69
197538
1300
Stellen Sie sich das vor.
03:30
(Applause)
70
198862
4262
(Applaus)
Und leider passiert es,
dass Leute die Fragen nicht beantworten,
dass Leute die Fragen nicht beantworten,
03:35
And unfortunately,
71
203148
1183
03:36
what happens is people would decline
to answer the questions,
to answer the questions,
72
204355
2895
weil sie denken,
03:39
because they feel like
you would use the information
you would use the information
73
207274
2509
die Informationen würden benutzt,
um sie zu diskriminieren,
um sie zu diskriminieren,
03:41
to discriminate against them,
74
209807
1425
und zwar nur wegen der Art,
wie die Information präsentiert wurde.
wie die Information präsentiert wurde.
03:43
all because of how you presented
the information.
the information.
75
211256
2391
Und hier bekommen wir schlechte Daten.
03:45
And at that point, we get bad data.
76
213671
1778
Jeder weiß, was schlechte Daten bewirken.
03:47
And everybody knows what bad data does.
77
215473
2111
Schlechte Daten kosten Zeit,
sie kosten Geld
sie kosten Geld
03:49
Bad data costs you time,
it costs you money
it costs you money
78
217608
2793
03:52
and it costs you resources.
79
220425
1946
und sie kosten Ressourcen.
Leider, wenn man schlechte Daten erhält,
03:54
Unfortunately, when you have bad data,
80
222395
2563
03:56
it also costs you a lot more,
81
224982
3079
kostet Sie das sogar noch mehr,
denn wir haben ungleiche
Gesundheitsversorgung,
Gesundheitsversorgung,
04:00
because we have health disparities,
82
228085
2395
wir haben soziale Determinanten
bezüglich Gesundheit
bezüglich Gesundheit
04:02
and we have social determinants of health,
83
230504
2214
04:04
and we have the infant mortality,
84
232742
1658
und wir haben Säuglingssterblichkeit.
04:06
all of which depends
on the data that we collect,
on the data that we collect,
85
234424
2643
All das hängt von unseren Daten ab,
04:09
and if we have bad data,
than we have those issues still.
than we have those issues still.
86
237091
3248
und wenn wir schlechte Daten haben,
bleiben diese Probleme.
bleiben diese Probleme.
04:12
And we have underprivileged populations
87
240363
1899
Wir haben unterprivilegierte Menschen,
die unterprivilegiert bleiben,
die unterprivilegiert bleiben,
04:14
that remain unfortunate
and underprivileged,
and underprivileged,
88
242286
2791
denn die Daten, die wir nutzen,
sind entweder veraltet
sind entweder veraltet
04:17
because the data that we're using
is either outdated,
is either outdated,
89
245101
3926
04:21
or is not good at all
or we don't have anything at all.
or we don't have anything at all.
90
249051
3293
oder nicht gut, oder wir haben gar keine.
Wäre es nicht fantastisch,
wenn es Leute wie Miss Margaret
wenn es Leute wie Miss Margaret
04:24
Now, wouldn't it be amazing
if people like Miss Margaret
if people like Miss Margaret
91
252987
2636
04:27
and the customer-service
representative at the wiring place
representative at the wiring place
92
255647
3150
und die Kundenberaterin in der Bank
selig machen würde,
selig machen würde,
04:30
were graced to collect data
with compassionate care?
with compassionate care?
93
258821
4374
Daten mit Mitgefühl zu erfragen?
04:35
Can I explain to you
what I mean by "graced?"
what I mean by "graced?"
94
263562
2317
Ich erkläre, was ich mit "selig" meine.
Ich habe ein Akrostichon geschrieben.
04:38
I wrote an acrostic poem.
95
266324
1666
04:40
G: Getting the front desk specialist
involved and letting them know
involved and letting them know
96
268300
4773
S: Sorge tragen, dass die
Empfangsperson einbezogen wird,
Empfangsperson einbezogen wird,
E: erkennt, wie wichtig ihre Rolle ist,
04:45
R: the Relevance of their role
as they become
as they become
97
273097
3953
L: lernt, die Richtigkeit
der Daten zu gewährleisten,
der Daten zu gewährleisten,
04:49
A: Accountable for the accuracy
of data while implementing
of data while implementing
98
277074
3531
04:52
C: Compassionate care within
all encounters by becoming
all encounters by becoming
99
280629
4044
I: imstande ist, den Menschen
mit Mitgefühl zu begegnen,
mit Mitgefühl zu begegnen,
04:56
E: Equipped with the education
needed to inform people
needed to inform people
100
284697
3301
G: die Gabe besitzt, Menschen
angemessen darüber zu informieren,
angemessen darüber zu informieren,
05:00
of why data collection is so important.
101
288022
3293
warum Datenerhebung so wichtig ist.
(Applaus)
05:04
(Applause)
102
292315
2949
05:07
Now, I'm an artist.
103
295288
2096
Ich bin Künstlerin.
05:09
And so what happens with me
104
297408
1674
Was mir passiert:
Wenn ich etwas Künstlerisches schaffe,
05:11
is that when I create
something artistically,
something artistically,
105
299106
2174
erwacht die Lehrerin in mir.
05:13
the trainer in me is awakened as well.
106
301304
1923
05:15
So what I did was, I began to develop
that acrostic poem into a full training
that acrostic poem into a full training
107
303251
4072
Ich wandelte das Akrostichon
also in eine Schulung
also in eine Schulung
mit dem Titel "Ich bin S.E.L.I.G." um.
05:19
entitled "I'm G.R.A.C.E.D."
108
307347
1548
05:20
Because I remember,
being the front-desk specialist,
being the front-desk specialist,
109
308919
2841
Denn ich erinnere mich,
als ich am Empfang war,
als ich am Empfang war,
und als ich zur Bank ging,
um dort zu arbeiten, dachte ich:
um dort zu arbeiten, dachte ich:
05:23
and when I went to the office
of equity to start working,
of equity to start working,
110
311784
2674
05:26
I was like, "Is that why they asked us
to ask that question?"
to ask that question?"
111
314482
3555
"Sollen wir deswegen
diese Fragen stellen?"
diese Fragen stellen?"
05:30
It all became a bright light to me,
112
318061
1768
Es leuchtete mir plötzlich ein
und mir wurde klar,
und mir wurde klar,
05:31
and I realized that I asked people
and I told people about --
and I told people about --
113
319853
3637
dass ich Menschen
mit dem falschen Geschlecht,
mit dem falschen Geschlecht,
05:35
I called them by the wrong gender,
I called them by the wrong race,
I called them by the wrong race,
114
323514
3284
mit der falschen Rasse,
der falschen Ethnie angesprochen hatte,
der falschen Ethnie angesprochen hatte,
05:38
I called them by the wrong ethnicity,
115
326822
1803
und es wurde unangenehm.
05:40
and the environment became hostile,
116
328649
2007
Die Leute waren beleidigt
05:42
people was offended and I was frustrated
because I was not graced.
because I was not graced.
117
330680
4284
und ich war frustriert,
weil ich nicht "selig" war.
weil ich nicht "selig" war.
05:46
I remember my computerized training,
118
334988
2587
Ich erinnere mich an mein
computerbasiertes Training,
computerbasiertes Training,
05:49
and unfortunately, that training did not
prepare me to deescalate a situation.
prepare me to deescalate a situation.
119
337599
5626
das mich leider nicht
darauf vorbereitet hatte,
darauf vorbereitet hatte,
solche Situationen zu deeskalieren.
05:55
It did not prepare me to have
teachable moments when I had questions
teachable moments when I had questions
120
343249
3376
Es zeigte mir keine Lehr-Momente auf,
wenn ich Fragen dazu hatte,
wenn ich Fragen dazu hatte,
wie man die Fragen stellt.
05:58
about asking the questions.
121
346649
1658
06:00
I would look at the computer and say,
"So, what do I do when this happens?"
"So, what do I do when this happens?"
122
348331
3564
Ich sah den PC an und fragte:
"Was mache ich, wenn das passiert?"
"Was mache ich, wenn das passiert?"
Und der PC sagte....
06:03
And the computer would say ...
123
351919
1858
06:05
nothing, because a computer
cannot talk back to you.
cannot talk back to you.
124
353801
3268
Nichts, denn ein Computer
spricht nicht Ihnen.
spricht nicht Ihnen.
(Lachen)
06:09
(Laughter)
125
357093
3207
Deshalb ist es wichtig,
jemanden vor sich zu haben,
jemanden vor sich zu haben,
06:12
So that's the importance
of having someone there
of having someone there
126
360324
2571
06:14
who was trained to teach you
and tell you what you do
and tell you what you do
127
362919
2777
der gelernt hat, einem beizubringen,
was man in solchen Situationen zu tun hat.
was man in solchen Situationen zu tun hat.
06:17
in situations like that.
128
365720
1690
Als ich "Ich bin S.E.L.I.G." erschuf,
06:20
So, when I created
the "I'm G.R.A.C.E.D" training,
the "I'm G.R.A.C.E.D" training,
129
368030
2626
entwickelte ich es mit Erfahrung,
06:22
I created it with that experience
that I had in mind,
that I had in mind,
130
370680
2994
aber auch mit Überzeugung.
06:25
but also that conviction
that I had in mind.
that I had in mind.
131
373698
2516
06:28
Because I wanted
the instructional design of it
the instructional design of it
132
376238
2253
Ich wollte die Schulung so aufbauen,
dass sie einen sicheren
und offenen Dialog ermöglicht.
und offenen Dialog ermöglicht.
06:30
to be a safe space
for open dialogue for people.
for open dialogue for people.
133
378515
2778
06:33
I wanted to talk about biases,
134
381317
1895
Ich wollte über Vorurteile sprechen,
die unbewussten und die bewussten,
die unbewussten und die bewussten,
06:35
the unconscious ones
and the conscious ones,
and the conscious ones,
135
383236
2397
und was wir tun.
06:37
and what we do.
136
385657
1166
Denn ich weiß, dass sich,
wenn man Leuten die Gründe erklärt,
wenn man Leuten die Gründe erklärt,
06:38
Because now I know
that when you engage people in the why,
that when you engage people in the why,
137
386847
3944
ihre Perspektive und ihre Haltung ändern.
06:42
it challenges their perspective,
and it changes their attitudes.
and it changes their attitudes.
138
390815
3476
06:46
Now I know that data
that we have at the front desk
that we have at the front desk
139
394315
3159
Ich weiß, dass mit den Daten,
die wir am Empfang erheben,
die wir am Empfang erheben,
06:49
translates into research that eliminates
disparities and finds cures.
disparities and finds cures.
140
397498
4813
in der Forschung Ungleichheiten bekämpft
und Heilungen gefunden werden.
und Heilungen gefunden werden.
Ich weiß, dass es ein besserer Weg ist,
Menschen Änderung zu lehren,
Menschen Änderung zu lehren,
06:54
Now I know that teaching people
transitional change
transitional change
141
402335
3706
06:58
instead of shocking them into change
142
406065
2846
als sie damit zu überrumpeln,
07:00
is always a better way
of implementing change.
of implementing change.
143
408935
3255
um eine wahre Änderung hervorzurufen.
Ich weiß, dass die Menschen
eher Informationen teilen,
eher Informationen teilen,
07:04
See, now I know people are more likely
to share information
to share information
144
412214
3046
07:07
when they are treated with respect
by knowledgeable staff members.
by knowledgeable staff members.
145
415284
3859
wenn sie von kompetentem Personal
mit Respekt behandelt werden.
mit Respekt behandelt werden.
Ich weiß, man muss kein Statistiker sein,
07:11
Now I know that you
don't have to be a statistician
don't have to be a statistician
146
419167
3021
07:14
to understand the power
and the purpose of data,
and the purpose of data,
147
422212
3001
um Macht und Zweck der Daten zu verstehen,
07:17
but you do have to treat people
with respect and have compassionate care.
with respect and have compassionate care.
148
425237
4364
aber man muss Menschen
mit Respekt und Mitgefühl begegnen.
mit Respekt und Mitgefühl begegnen.
Ich weiß, wenn man "selig" ist,
07:21
Now I know that when you've been graced,
149
429625
2825
liegt es in der eigenen Verantwortung,
auch jemand anderen zu befähigen.
auch jemand anderen zu befähigen.
07:24
it is your responsibility
to empower somebody else.
to empower somebody else.
150
432474
3376
07:27
But most importantly, now I know
151
435874
2425
Aber vor allem weiß ich jetzt:
Wenn man Menschen beibringt,
07:30
that when teaching human beings
152
438323
2413
07:32
to communicate with other human beings,
153
440760
3079
mit anderen Menschen zu kommunizieren,
sollte das durch einen Menschen geschehen.
07:35
it should be delivered by a human being.
154
443863
3785
(Applaus)
07:40
(Applause)
155
448117
6792
Wenn Sie also alle zur Arbeit gehen
07:46
So when y'all go to work
156
454933
1849
und ein "Ändere alles"-Meeting
vereinbaren, --
vereinbaren, --
07:48
and y'all schedule that
"change everything" meeting --
"change everything" meeting --
157
456806
3335
07:52
(Laughter)
158
460165
1650
(Lachen)
denken Sie an Miss Margaret.
07:53
remember Miss Margaret.
159
461839
1515
07:55
And don't forget the food, the food,
the food, the food.
the food, the food.
160
463792
3819
Und vergessen Sie das Essen nicht.
Vielen Dank.
08:00
Thank you.
161
468103
1151
(Applaus)
08:01
(Applause) (Cheers)
162
469278
5475
08:06
Thank you.
163
474777
1175
08:07
(Applause)
164
475976
1595
ABOUT THE SPEAKER
Tamekia MizLadi Smith - Performer, mentorTamekia MizLadi Smith wants to start new conversations around involving non-clinical staff in healthcare.
Why you should listen
As a spoken-word performer, Tamekia MizLadi Smith educates and empowers her audiences with what she calls EDUtainment, a witty combination of music and storytelling. She has worked as a consultant and mentor for programs such as Girls in Action, Dear Sistah Girlfriend and the Columbus City Schools. Her forthcoming book, True Story, explores how to improve community health through mentoring and creative arts.
Tamekia MizLadi Smith | Speaker | TED.com