Gender differences in career dissatisfaction among Pennsylvanian physicians
Notice bibliographique
Résumé
Objective: The physician workforce is quickly changing from one that was once male dominated to one that is more gender equal. The relationship between being female and physician career satisfaction is unclear despite a large body of research on the subject. I analyze the relationship between gender, career dissatisfaction, and plans to leave patient care. Female-male differences are calculated for various demographic, specialty, and practice setting subgroups of physicians; particular attention is paid to how various factors interact with gender.Methods: Data comes from the 2012 Pennsylvania Health Workforce Survey of Physicians. I use multivariate, logistic regression to estimate associations between a number of covariates, including gender, and two outcomes: (1) career dissatisfaction, and (2) plans to leave patient care.Results: Female physicians have 12% lower odds than males of reporting career dissatisfaction but no statistically significant difference in plans to leave patient care. Practicing in a hospital setting and in a rural county is associated with higher odds of dissatisfaction among male physicians but lower dissatisfaction among female physicians. Although female physicians own their practice at much lower rates, female owners have much lower odds of planning to leave patient care.Conclusions: Factors associated with career dissatisfaction and plans to leave patient care affect male and female physicians differently, across race, rural practice, specialty, and practice ownership. Policy and research related to physician retention and quality of care should consider the interaction between gender and these factors in the future.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».