Gender Disparity in Academic Neurosurgery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background In the 1960s, less than 10% of medical school graduates were women. Today, almost half of all medical school graduates are women. Despite the significant rise in female medical school graduates, there continues to be a large gender gap in most subspecialties, particularly surgical subspecialties such as neurosurgery. Objective The purpose of our study was to assess the factors contributing to differences in the academic ranks of male and female staff in academic neurosurgery programs in Canada and the United States (US). Methods Data about women in academic neurosurgery was collected from a number of sources, including Fellowship and Residency Electronic Interactive Database (FREIDA), Accreditation Council for Graduate Medical Education (ACGME), Canadian Resident Matching Service (CaRMS) FRIEDA, ACGME, CaRMS, Pubmed, and Scopus, to create a database of all neurosurgeons in the US and Canada. The analysis included neurosurgeons in academic and leadership ranks and also the H index, citations, publications, citations per year, and publications per year. Results Women represent only 12% of neurosurgeons in the US and Canada. When gender is further analyzed by academic appointment, women represent just over 12% of neurosurgeons at the assistant and associate professor levels (15.44% and 13.27%, respectively) but significantly less at the full professor level (5.84%). Likewise, only 7.45% of women hold first-in command leadership positions while 4.69% hold second-in-command positions within their institutions. Conclusions The existing data shows that women are significantly under-represented in academic neurosurgery. Lack of role models, experience, limited scientific output, and aspirations of a controlled lifestyle could be the potential contributing factors.
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.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle