Identifying potential academic leaders: Predictors of willingness to undertake leadership roles in an academic department of family medicine.
Notice bibliographique
Résumé
OBJECTIVE: To identify variables associated with willingness to undertake leadership roles among academic family medicine faculty. DESIGN: Web-based survey. Bivariate and multivariable analyses (logistic regression) were used to identify variables associated with willingness to undertake leadership roles. SETTING: Department of Family and Community Medicine at the University of Toronto in Ontario. PARTICIPANTS: A total of 687 faculty members. MAIN OUTCOME MEASURES: Variables related to respondents' willingness to take on various academic leadership roles. RESULTS: Of all 1029 faculty members invited to participate in the survey, 687 (66.8%) members responded. Of the respondents, 596 (86.8%) indicated their level of willingness to take on various academic leadership roles. Multivariable analysis revealed that the predictors associated with willingness to take on leadership roles were as follows: pursuit of professional development opportunities (odds ratio [OR] 3.79, 95% CI 2.29 to 6.27); currently holding at least 1 leadership role (OR 5.37, 95% CI 3.38 to 8.53); a history of leadership training (OR 1.86, 95% CI 1.25 to 2.78); the perception that mentorship is important for one's current role (OR 2.25, 95% CI 1.40 to 3.60); and younger age (OR 0.97, 95% CI 0.95 to 0.99). CONCLUSION: Willingness to undertake new or additional leadership roles was associated with 2 variables related to leadership experiences, 2 variables related to perceptions of mentorship and professional development, and 1 demographic variable (younger age). Interventions that support opportunities in these areas might expand the pool and strengthen the academic leadership potential of faculty members.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».