MétaCan
Menu
Retour à la cohorte
Enregistrement W3037385620 · doi:10.1093/qjmed/hcaa210

Does conventional early life academic excellence predict later life scientific discovery? An assessment of the lives of great medical innovators

2020· article· en· W3037385620 sur OpenAlexafffundabout
David J.A. Jenkins, Viranda H. Jayalath, Vivian L. Choo, Effie Viguiliouk, C.W.C. Kendall, Korbua Srichaikul, Arash Mirrahimi, C N Bernstein, T M Chang, Phil Gold, R. Brian Haynes, Morley D. Hollenberg, Andrés M. Lozano, Barry I. Posner, Allan Ronald, M. Vranić, Y T Wang, Laura Chiavaroli, Russell J. de Souza, Stephanie Nishi, Sathish Chandra Pichika, Chantal Gillett, Tom Tsirakis, John L. Sievenpiper

Notice bibliographique

RevueQJM · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueHealth and Medical Research Impacts
Établissements canadiensUniversity of WindsorPopulation Health Research InstituteUniversity of British ColumbiaToronto Western HospitalAlberta Children's HospitalMcMaster UniversityUniversity of SaskatchewanImpactMcGill UniversityPrincess Margaret Cancer CentreUniversity of CalgaryUniversity of ManitobaCanada Research ChairsHealth Sciences CentreUniversity Health NetworkUniversity of TorontoSunnybrook Health Science CentreSt. Michael's Hospital
Organismes subventionnairesCanadian Institutes of Health ResearchCanada Research ChairsDiabetes CanadaGovernment of CanadaInstitute of Nutrition, Metabolism and DiabetesBanting and Best Diabetes Centre, University of TorontoAustralian GovernmentCanadian Nutrition SocietyHamilton Health Sciences
Mots-clésExcellenceScientific discoveryEngineering ethicsPsychologyEngineeringCognitive scienceEpistemologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Perhaps, as never before, we need innovators. With our growing population numbers, and with increasing pressures on our education systems, are we in danger of becoming more rigid and formulaic and increasingly inhibiting innovation? When young can we predict who will become the great innovators? For example, in medicine, who will change clinical practice? AIMS: We therefore determined to assess whether the current academic excellence approach to medical school entrance would have captured previous great innovators in medicine, assuming that they should all have well fulfilled current entrance requirements. METHODS: The authors assembled a list of 100 great medical innovators which was then approved, rejected or added to by a jury of 12 MD fellows of the Royal Society of Canada. Two reviewers, who had taken both the past and present Medical College Admission Test as part of North American medical school entrance requirements, independently assessed each innovator's early life educational history in order to predict the innovator's likely success at medical school entry, assuming excellence in all entrance requirements. RESULTS: Thirty-one percent of the great medical innovators possessed no medical degree and 24% would likely be denied entry to medical school by today's standards (e.g. had a history of poor performance, failure, dropout or expulsion) with only 24% being guaranteed entry. Even if excellence in only one topic was required, the figure would only rise to 41% certain of medical school entry. CONCLUSION: These data show that today's medical school entry standards would have barred many great innovators and raise questions about whether we are losing medical innovators as a consequence. Our findings have important implications for promoting flexibility and innovation for medical education, and for promoting an environment for innovation in general.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,021
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,103
Tête enseignante GPT0,432
Écart entre enseignants0,329 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueQJMMême sujetHealth and Medical Research ImpactsTravaux en français237 207