Manuscript Publication by Urology Residents and Predictive Factors
Notice bibliographique
Résumé
PURPOSE: Many academic institutions have set expectations for peer reviewed publications, yet there is no objective guideline to gauge the performance of a urology resident or program. We quantified and determined predictive factors for resident manuscript production. MATERIALS AND METHODS: Electronic surveys were sent to 255 chief residents and recent graduates of 83 accredited urological training programs in the United States and Canada. Survey questions pertained to manuscript submission and acceptance before and during residency, months of research incorporated into residency, PhD degree status and the pursuit of fellowship training. RESULTS: Surveys were completed by 127 residents from 83 programs. The median number of manuscripts submitted and accepted during residency was 3 (range 0 to 32) and 2 (range 0 to 25), respectively. Months of protected research time and the number of publications before residency were significantly predictive of the number of manuscripts submitted during residency (p <0.001 and p <0.001, respectively). The number of manuscripts submitted during residency was significantly associated with entering fellowship training (p <0.05). CONCLUSIONS: Manuscript preparation and publication are important aspects of the training process at a number of urological surgery residency programs. While the majority of residents are not involved in publication before residency, most submit and publish at least 1 manuscript as first author in a peer reviewed journal during residency. The number of prior publications and months of allotted research time are significantly predictive of resident manuscript productivity. In turn, manuscript submission is indicative of the decision to pursue fellowship training.
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 | 0,001 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».