Mentorship perceptions and experiences among academic family medicine faculty: Findings from a quantitative, comprehensive work-life and leadership survey.
Notice bibliographique
Résumé
OBJECTIVE: To collect information about the types, frequency, importance, and quality of mentorship received among academic family medicine faculty, and to identify variables associated with receiving high-quality mentorship. DESIGN: Web-based survey of all faculty members of an academic department of family medicine. SETTING: The Department of Family and Community Medicine of the University of Toronto in Ontario. PARTICIPANTS: All 1029 faculty members were invited to complete the survey. MAIN OUTCOME MEASURES: Receiving mentorship rated as very good or excellent in 1 or more of 6 content areas relevant to respondents' professional lives, and information about demographic and practice characteristics, faculty ratings of their local departments and main practice settings, teaching activities, professional development, leadership, job satisfaction, and health. Bivariate and multivariate analyses identified variables associated with receiving high-quality mentorship. RESULTS: The response rate was 66.8%. Almost all (95.0%) respondents had received mentorship in several areas, with informal mentorship being the most prevalent mode. Approximately 60% of respondents rated at least 1 area of mentoring as very good or excellent. Multivariate logistic regression identified 5 factors associated with an increased likelihood of rating mentorship quality as very good or excellent: positive perceptions of their local department (odds ratio [OR] = 4.02, 95% CI 2.47 to 6.54, P < .001); positive ratings of practice infrastructure (OR = 1.86, 95% CI 1.23 to 2.80, P = .003); increased frequency of receiving mentorship (OR = 2.78, 95% CI 1.59 to 4.89, P < .001); fewer years in practice (OR = 1.93, 95% CI 1.19 to 3.12, P = .007); and practising in a family practice teaching unit (OR = 1.51, 95% CI 1.01 to 2.27, P = .040). CONCLUSION: With increasing emphasis on distributed education and community-based teachers, family medicine faculties will need to develop strategies to support effective mentorship across a range of settings and career stages.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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) | 0,000 | 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 ».