Defining Rural: The Predictive Value of Medical School Applicants’ Rural Characteristics on Intent to Practice in a Rural Community
Notice bibliographique
Résumé
PURPOSE: To understand the predictive value of medical student application characteristics on rural practice intent. METHOD: The authors constructed a linked database of 2012-2017 medical school matriculants from American Medical College Application Service applications and Association of American Medical Colleges Matriculating Student Questionnaire (MSQ, 2012-2017) and Graduation Questionnaire (GQ, 2016-2018). Using logistic regression, they compared application variables (birth, high school, childhood county, and self-declared geographical origin) to students' MSQ and GQ intent to practice rurally. Rural practice intent from matriculation to graduation was compared using the McNemar test for paired nominal data. RESULTS: The number of students meeting inclusion criteria was 115,027. More students self-declared rural origin (18,662; 16.4%) than were identified using geographically coded variables (6,097-8,784; 6.1%-8.1%). Geographically coded rural variables were all strongly and similarly associated with rural practice intent, with rural high school being the most predictive on both MSQ (odds ratio [OR], 6.51; CI, 6.1-7.0) and GQ (OR, 5.4; CI, 4.9-6.0). Self-declared geographical origin was associated with a similar rural practice intent on both MSQ (OR, 6.93; CI, 6.5-7.3) and GQ (OR, 5.69; CI, 5.2-6.2). Rural practice intent declined for all groups from matriculation to graduation. CONCLUSIONS: Considering students who self-declare as rural identifies a larger group of rural medical school applicants than more "objective" geographic variables, without negatively impacting students' predicted interest in eventual rural practice. Further research should track actual practice location and explore strategies to mitigate declining rural career interest.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».