Notice bibliographique
Résumé
Evidence-informed interventions to address the factors affecting resident wellness are essential. We were very interested to read the interventions Drs. Wang and Myers described in response to our research. Their suggestions of a “significant other day,” “resident parent support groups,” “a ‘big brother/big sister’ program,” and “e-mails from chief residents” to highlight personal nonacademic events have the potential to help enhance and leverage residents’ personal support network (i.e., partners, friends). Exploring the implementation and outcomes of these (as well as other) interventions to examine their feasibility and effectiveness will be a critical next step in understanding how to mitigate the negative effects of training on residents’ relationships. We would like to emphasize that in addition to individually focused interventions for residents like the ones proposed by Drs. Wang and Myers, addressing systemic issues arising from the training environment is equally important. Tackling problematic medical culture and curriculum structures (formal, informal, hidden) that reinforce the poor work–life balance that residents experience is overlooked and essential for addressing the negative impact the training environment can have on resident relationships. We hope our report will continue to foster dialogue that generates interventions—at both the individual and curriculum level—to improve resident wellness. Marcus Law, MD, MBA, MEdAssociate professor of family medicine, director, Foundations, MD Program, University of Toronto, and director of medical education, Michael Garron Hospital and Toronto East Health Network, Toronto, Ontario, Canada; ORCID: http://orcid.org/0000-0001-9746-6381; [email protected]; Twitter: @LawMarcus. Maria Mylopoulos, PhDAssociate professor, Faculty of Medicine, and scientist, Wilson Centre, University of Toronto, Toronto, Ontario, Canada; ORCID: http://orcid.org/0000-0003-0012-5375. Paula Veinot, MHScIndependent research consultant, Toronto, Ontario, Canada.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,032 | 0,054 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».