Pregnancy and parental leave among plastic surgery residents in Canada: a nationwide survey of attitudes and experiences
Notice bibliographique
Résumé
Pregnancy and parental leave among plastic surgery residents in Canada: a nationwide survey of attitudes and experiences O n average, following the completion of a surgical residency, exiting trainees in Canada are 33.2 years of age. 1 The average age at which mothers in Canada had their first child was 29.2 years in 2016. 2 Therefore, residents who hope to start a family may consider pregnancy dur ing their training. However, surgical residents are in an undesirable position to start a family because of their long work hours, the physically demanding nature of their work, specific occupational hazards and less flexibility in resi dency rotation scheduling. 3 A survey of members and candidates of the Amer ican Society of Plastic Surgeons found that 72.6% of women and 39.2% of men delayed having children because of the demands of training. 4 As there is an increased risk of both maternal and fetal complications related to deferred childbirth, especially after age 35, many plastic surgery graduates may find themselves conflicted between the demands of a professional career and par enting priorities. 5 With only 26 new trainees starting plastic surgery residencies each year in Canada, it can be challenging for small surgical programs like plastic surgery to accommodate parental leave. Starting a family during residency can be compli cated and situationally dependent, and it is important to understand the impact of the environment on this life event by investigating the experiences of resi dents and recent graduates across Canada. This study aimed to report the experiences, attitudes and perceived support of Canadian plastic surgery resi dents and surgeons with respect to pregnancy and parenting during training.
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) | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».