Rural medical students at urban medical schools: Too few and far between?
Notice bibliographique
Résumé
BACKGROUND: Rural regions of industrialized nations are experiencing a crisis in health care access, reflecting a high disease burden and a low physician supply. The maldistribution of physicians stems partly from the low rate of entry into medical school of applicants from rural backgrounds. METHODS: We analyzed applicants to the University of Toronto medical school in 2005 (n = 2052) to test for possible institutional bias against rural applicants and possible applicant bias against the institution. The designation of rurality was assigned using the Statistics Canada classification of residential postal codes to detect residence in communities with a population of fewer than 10,000 people. RESULTS: Consistent with past reports, rural applicants were under-represented (n = 93, 4.5% of applicants relative to 20% of baseline population). Rural applicants, on average, were equally competitive with urban applicants as measured by grades, test scores, and interviews. Rural applicants were just as likely as urban applicants to be offered admission (17% vs 14%, p = 0.43), indicating no large bias from the institution. Rural applicants, however, were more than twice as likely to decline the admission offer (69% vs 24%, p < 0.001), indicating a large bias against the institution. This discrepancy was not explained by financial disparity and was not confined to those applicants most likely to receive invitations to other schools. CONCLUSIONS: Programs to increase physician supply in rural areas need to address students' concealed preferences that are established before enrolment. Medical schools, in particular, need to encourage more rural students to apply and to persuade those offered admission to accept.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».