Factors Impacting the Departure Rates of Female and Male Junior Medical School Faculty: Evidence from a Longitudinal Analysis
Notice bibliographique
Résumé
BACKGROUND: High rates of attrition have been documented nationally in assistant professor faculty of U.S. medical schools. Our objective was to investigate the association of individual level risk factors, track of academic appointment, and use of institutional leave policies with departure in junior faculty of a research-intensive school of medicine. METHODS: Participants included 901 faculty newly hired as assistant professors from July 1, 1999, through December 30, 2007, at the Perelman School of Medicine at the University of Pennsylvania. The faculty affairs database was used to determine demographics, hiring date, track of appointment, track changes, time to departure, and use of work-life policies for an extension of the probationary period for mandatory review, reduction in duties, and leave of absence. RESULTS: Over one quarter (26.7%) of faculty departed during follow-up. Faculty appointed on the clinician educator or research tracks were at increased risk of departure compared to the tenure track (hazard ratio [HR] 1.87, confidence interval, [CI] 1.28-2.71; HR 4.50, CI 2.91-6.96; respectively). Women appointed on the clinician educator track were at increased risk of departure compared to men (HR 1.46, CI 1.04-2.05). Faculty who took an extension of the probationary period were at decreased risk of departure (HR 0.36, CI 0.25-0.52). CONCLUSIONS: At this institution, junior faculty on the tenure track were least likely to depart before their mandatory review compared to faculty on the clinician educator or research tracks. Female assistant professors on the clinician educator track are of significant risk for departure. Taking advantage of the work-life policy for an extension of the probationary period protects against attrition.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».