Notice bibliographique
Résumé
We thank Dr. Chow and colleagues for taking interest in our Innovation Report and having ambition to extend our coached peer review technique beyond medical students. Indeed, it is important that we form communities of practice1,2 around early career faculty members looking to up their academic scholarship game. As Dr. Chow and colleagues point out, early career academic clinicians are often asked to perform academic duties beyond their training. Some opt to pursue graduate studies early in their careers,3 but there is no guarantee that these programs will teach them the academic skills they need to thrive. As grants become scarce and publication pressures mount, it is increasingly hard for early career academics to be successful. We agree that opening peer review to become the formative, coaching process we describe may be part of the solution. Similarly, innovations, like group peer review processes,4 can also help those acquiring skills in reviewing articles, providing them with mentors who offer insights into the mysteries of peer review. Another way for early career academics to gain skills is to become apprentices or partake in high-level faculty development communities. Programs like the Academic Life in Emergency Medicine faculty incubator program,5 Harvard Macy’s educators course,6 or the CanadiEM digital scholars fellowship7 are other possible ways for individuals to acquire and develop their skills. Lastly, perhaps institutions should completely reexamine their promotions processes. Not every clinician–teacher needs to be a great researcher. The time and energy it takes to engage uninterested early career faculty in the art of academic scholarship may be better spent changing the hearts and minds (and policies) of our institutions to acknowledge the modern medical school’s diverse forms of scholarship. Advocacy, community service, leadership, and high-quality teaching are some of the ways great clinician–teachers contribute. Perhaps instead of asking everyone to play by the same rules, we could instead acknowledge that our talents vary, and through structural reform celebrate, invest, and reward this diversity accordingly.3 Teresa M. Chan, HBSc, BEd, MD, FRCPC, MHPEAssociate professor, Department of Medicine, Division of Emergency Medicine, and assistant dean, Program for Faculty Development, Faculty of Health Sciences, McMaster University, Hamilton, Ontario, Canada; [email protected]; ORCID: http://orcid.org/0000-0001-6104-462X. Eve Purdy, BHSc, MD, MScResident physician, Royal College of Physicians and Surgeons of Canada, Emergency Medicine, Queen’s University, Kingston, Ontario, Canada.Brent Thoma, MD, MA, MSc, FRCPCAssociate professor, Department of Emergency Medicine, University of Saskatchewan, Saskatoon, Saskatchewan, Canada; ORCID: http://orcid.org/0000-0003-1124-5786.
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 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,046 | 0,058 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,018 |
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 ».