Work locations in 2014 of medical graduates of Memorial University of Newfoundland: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Part of the mandate for social accountability of medical schools is to address physician needs at the local, regional and national levels. We determined the work locations in 2014 of medical graduates of Memorial University of Newfoundland (MUN) and identified the characteristics and predictors of working in urban and rural areas of Canada and the province of Newfoundland and Labrador (NL). METHODS: We linked data from class lists, and alumni and postgraduate databases with data from the Scott's Medical Database to determine work locations in 2014 of MUN medical graduates from 1973 to 2008. Multiple logistic regression analysis was used to identify predictors of working in urban and rural areas of Canada and NL. RESULTS: Of the 1864 graduates in our study, 1642 (88.1%) were working in Canada, 638 (34.2%) in NL, 217 (11.6%) in rural Canada and 92 (4.9%) in rural NL in 2014. Predictors of physicians working in Canada included having a rural background, being from NL and graduating in the 1980s, 1990s or 2000s. Predictors of physicians working in NL included having a rural background, being from NL, graduating in the 2000s and having done some or all of their residency training at MUN. Having a rural background and being a family physician were predictors of working in rural Canada. Having a rural background, being from NL, having done some or all residency training at MUN and being a family physician were predictors of working in rural NL. INTERPRETATION: Most MUN graduates were working in Canada in 2014, with about one-third remaining in NL and much smaller percentages working in rural communities, especially in rural NL. These findings have implications for the physician supply in NL.
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 | 0,003 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».