Have rural background students been disadvantaged by the medical school admission process?
Notice bibliographique
Résumé
CONTEXT: The proportion of rural background applicants to medical school does not reflect the proportion of the general population that resides in rural communities. It is also believed that rural background applicants are disadvantaged by the admission processes of urban-based medical schools. This study sought to examine how rural background applicants actually fare as they progress through the stages of admission. METHODS: A 10-year cohort of Alberta applicants were tracked as they progressed through the interview and admittance stages. Background, grade point averages (GPAs) and Medical College Admission Test (MCAT) scores plus interview ratings were utilised in the analysis. RESULTS: Of the 4407 applicants, 1138 were interviewed. Significantly greater proportions of urban (26.8%) and rural (29.1%) background applicants than regional background (21.0%) applicants were interviewed, although the GPAs and MCAT scores of regional background applicants did not differ from those of the other applicant groups. Of those interviewed, 463 applicants were admitted. The proportions of urban (39.9%), regional (42.3%) and rural (46.3%) background applicants admitted were similar. Reviewers did not rate the files of urban, regional and rural background applicants differently. Only 6.7% of applicants admitted had rural backgrounds. DISCUSSION: Rural background applicants were not disadvantaged or discriminated against by the admission process. Although the backgrounds of applicants admitted reflect those of the original applicants, the proportion of rural background applicants is below the proportion of Albertans who reside in rural areas. Strategies to increase the number of applicants of rural origin are recommended.
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 | 0,002 | 0,009 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».