Paramedic Transition into an Academic Role in Universities: A Demographic and Qualification Survey of Paramedic Academics in Australia and New Zealand
Notice bibliographique
Résumé
<p align="center"><span style="text-decoration: underline;">Abstract</span></p><p><span style="text-decoration: underline;">Objectives</span></p><p> To identify the demographic and qualification characteristics of paramedic academics holding teaching and research positions at universities in Australia and New Zealand offering entry-level undergraduate or postgraduate degree programs in paramedicine.</p><p><span style="text-decoration: underline;">Methods</span></p><p> A 17 item online normative internet survey was used to obtain demographic and qualification characteristics about the target group. The survey was divided into five categories: demographic data, professional qualifications, educational qualifications, learning and teaching experience, and level of academic skills. Data were collected over a two-month period in 2013 and then collated and reported utilising the capabilities of the Survey Monkey program.</p><p><span style="text-decoration: underline;">Results</span></p><p> Of the estimated 66 eligible participants, 30 responded to the survey, 70% were male, the average age when entering academia was 43 years, and the average age when initially entering paramedicine was 23 years. Two-thirds completed their paramedic training in Australia and New Zealand, with the other third training in the UK, US, or Canada. There was a wide-range of levels of training and qualification reported with three having a PhD on entering academia, while most had little to no experience in research, academic writing, and publication.</p><p><span style="text-decoration: underline;">Conclusions</span></p><p> Issues of the transference of cultural and professional capital from one community of practice (CoP) into another, the variance in the levels of academic qualifications amongst paramedics when entering academia, and the resources needed to mentor and educate a large majority of these new academics pose significant challenges to new academics and the universities employing them.</p><p>Key words: paramedicine, university, degree, transition, role</p>
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».