A Snapshot of Doctoral Training in Epidemiology: Positioning Us for the Future
Notice bibliographique
Résumé
Although epidemiology core competencies are established by the Association of Schools and Programs of Public Health for masters-level trainees, no equivalent currently exists for the doctoral level. Thus, the objective of the Doctoral Education in Epidemiology Survey (2019) was to collect information on doctoral-level competencies in general epidemiology (doctoral) degree programs and other pertinent information from accredited programs in the United States and Canada. Participants (doctoral program directors or knowledgeable representatives of the program) from 57 institutions were invited to respond to a 39-item survey (18 core competencies; 9 noncore or emerging topic-related competencies; and 12 program-related items). Participants from 55 institutions (96.5%) responded to the survey, of whom over 85% rated 11 out of 18 core competencies as "very important" or "extremely important." More than 80% of the programs currently emphasize 2 of 9 noncore competencies (i.e., competency to ( 1) develop and write grant proposals, and ( 2) assess evidence for causality on the basis of different causal inference concepts). "Big data" is the most frequently cited topic currently lacking in doctoral curricula. Information gleaned from previous efforts and this survey should prompt a dialog among relevant stakeholders to establish a cohesive set of core competencies for doctoral training in epidemiology.
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 | 0,015 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».