Influences for Gender Disparity in Academic Neuroradiology
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: There has been extensive interest in promoting gender equality within radiology, a predominately male field. In this study, our aim was to quantify gender representation in neuroradiology faculty rankings and determine any related factors that may contribute to any such disparity. MATERIALS AND METHODS: We evaluated the academic and administrative faculty members of neuroradiology divisions for all on-line listed programs in the US and Canada. After excluding programs that did not fulfill our selection criteria, we generated a short list of 85 US and 8 Canadian programs. We found 465 faculty members who met the inclusion criteria for our study. We used Elsevier's SCOPUS for gathering the data pertaining to the publications, H-index, citations, and tenure of the productivity of each faculty member. RESULTS: = .009). The median H-index was higher among male faculty members (17.5) versus female faculty members (9). Female faculty members have odds of 0.84 compared with male faculty members of having a higher H-index, adjusting for publications, citations, academic ranks, leadership ranks, and interaction between gender and publications and gender and citations (9). CONCLUSIONS: Neuroradiology faculty members follow the same male predominance seen in many other specialties of medicine. In this study, issues such as mentoring, role models, opportunities to engage in leadership/research activities, funding opportunities, and mindfulness regarding research productivity are explored.
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 | 0,003 |
| 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 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».