MétaCan
Menu
Retour à la cohorte
Enregistrement W3096658913 · doi:10.4103/ehp.ehp_17_20

Impostor phenomenon in veterinary medicine

2020· article· en· W3096658913 sur OpenAlexaff
Ryan Appleby, Maria G. Evola, Kenneth D. Royal

Notice bibliographique

RevueEducation in the Health Professions · 2020
Typearticle
Langueen
DomainePsychology
ThématiquePerfectionism, Procrastination, Anxiety Studies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésVeterinary medicineMedicineScale (ratio)PerceptionPopulationFamily medicinePsychologyEnvironmental healthGeography

Résumé

récupéré en direct d'OpenAlex

Background: Impostor phenomenon (IP), an internal perception of intellectual phoniness despite personal achievements, has been reported and evaluated in a number of professions, including doctors, dentists, pharmacists, and academic faculty. To date, this phenomenon has not been evaluated in the veterinary medicine. Methods: To examine the prevalence of IP in veterinary medicine, we surveyed veterinary students, house officers, and veterinarians at a large college of veterinary medicine. Survey measures included the Clance IP Scale (CIPS) and Young Impostor Scale (YIS). Results: The prevalence of IP in our population was 50%, 68%, and 34%, among students, house officers, and faculty, respectively, based on the responses to the CIPS. The prevalence of IP was 45%, 60%, and 26%, among students, house officers, and faculty, respectively, based on the responses to the YIS. Conclusion: Among veterinary students, house officers and faculty IP are experienced to a similar degree as that reported in other health professions.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,663
Score d'incertitude au seuil0,506

Scores Codex et Gemma par catégorie

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

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 Opus0,130
Tête enseignante GPT0,484
Écart entre enseignants0,353 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEducation in the Health ProfessionsMême sujetPerfectionism, Procrastination, Anxiety StudiesTravaux en français237 207