Strength in Numbers: Growth of Canadian Clinician Investigator Training in the 21st Century
Notice bibliographique
Résumé
PURPOSE: Enhancing clinician-investigator (CI) training at Canadian medical schools is urgently needed to bolster the dwindling work force of medical professionals carrying out patient-oriented research in a wide array of medical fields. The purpose of this study is to obtain, from the 15 Canadian medical schools that offer one or more CI training programs, data on the number of trainees, funding levels, attrition rates or other important metrics to evaluate the outcomes of such training efforts. METHODS: All Canadian CI programs were surveyed to collect demographic information for the academic year 2010-2011 and compared this to historical data collected by the Association of Faculties of Medicine of Canada (AFMC) and MD/PhD program funding data from the Canadian Institutes of Health Research (CIHR). RESULTS: Over the past decade, enrolment in Canadian CI training programs has increased approximately four-fold. Program-specific funding (CIHR) has also increased, but nearly 50% of MD/PhD trainees are still not supported through dedicated CIHR funding. CONCLUSION: It is too early to know to what extent this increase in both CI and funding will sustain the workforce of Canadian researchers carrying out patient-oriented research. Monitoring of CI training demographics across Canada, beyond this baseline study, will be essential to measure outcomes from CI training programs and to guide response from funding bodies and policy-makers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 source (Gemma direct ou Codex distillé), 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 ».