Canadian Radiology Medical Student Interest Groups: What They Are and How We Can Help Them Improve
Notice bibliographique
Résumé
BACKGROUND: Radiology interest groups (RIGs) can serve as a means of increasing exposure of the radiology specialty early in the medical curriculum while also increasing educational opportunities. However, the organizational structure and various functions of individual RIGs in Canada are not well-documented. We performed a survey of all active RIGs in Canada for the purpose of better understanding their structure, function, and opportunities for improvement. METHODS: A 21-question survey was sent to current or recent former medical student leaders of all active RIGs in Canada during the 2016-2017 academic year. RESULTS: Radiology interest groups were identified in 88% (15/17) of Canadian medical schools. We received a 100% (15/15) response rate. Events held by RIGs consist mostly of lunch and learns (67%, 10/15), career panels (53%, 8/15), networking events (40%, 6/15), and curriculum-related events (40%, 6/15). General mentorship (93%, 13/14), shadowing opportunities (86%, 12/14), and research mentorship (63%, 8/14) were most often cited in their top 3 choices for opportunities for improvement. Sixty-six percent indicated that if a radiology society were to host a page for their interest group, they would be interested in posting content and/or links. CONCLUSIONS: Canadian RIGs offer increased early awareness and education about radiology in the medical curriculum. Radiology departments can facilitate improvement in Canadian RIGs through targeted institutional mentorship, research opportunities, and shadowing programs for their members.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».