Cross sectional analysis of student-led surgical societies in fostering medical student interest in Canada
Notice bibliographique
Résumé
BACKGROUND: The objective of this study was to examine how surgery interest groups (SIGs) across Canada function and influence medical students' interest in surgical careers. METHODS: Two unique surveys were distributed using a cross sectional design. The first was sent to SIG executives and the second to SIG members enrolled at a Canadian medical school in the 2016/17 academic year. The prior focused on the types of events hosted, SIG structure/ supports, and barriers/ plans for improvement. The second questionnaire focused on student experience, involvement, and suggestions for improvement. RESULTS: SIG executives became involved in SIG through classmates and colleagues (8/17, 47%). Their roles focused on organizing events (17/17, 100%), facilitating student contact with resident/surgeons (17/17, 100%), and organizing funding (13/17, 76%). Surgical skills events were among the most successful and well received by students (15/17, 88%). Major barriers faced by SIG executives during their tenure included time conflicts with other interest groups (13/17, 76%), lack of funding (8/17, 47%), and difficulty booking spaces for events (8,17, 47%). SIGs were found to facilitate improvement in basic surgical skills (μ = 3.89/5 ± 0.70) in a comfortable environment (μ = 4.02/5, ±0.6), but were not helpful with final block examinations (μ = 2.98/5, ±0.80). Members indicated that more skills sessions, panel discussion and shadowing opportunities would be beneficial additions. Overall, members felt that SIGs increased their interest in surgical careers (μ = 3.50/5, ±0.79). CONCLUSION: Canadian SIGs not only play a critical role in early exposure, but may provide a foundation to contribute to student success in surgery.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».