Racial and gender disparities in neurology
Notice bibliographique
Résumé
INTRODUCTION: The USA is a diverse society with representation from different ethnic and racial backgrounds, resulting in under-represented minorities (URMs) in various specialties of medicine. Our objective was to find the statistical ratio of URMs in the academic faculty of neurology. METHODS: This was a retrospective analysis of the American Association of Medical College database. The database covered neurology faculty members from 2006 to 2017. RESULTS: This study shows a significant change in racial representation in faculty ranks over the last 12 years. At chairperson rank, white people decreased from 86.4% to 79.8% whereas Asian, Hispanic and multiple races (non-Hispanic) simultaneously increased from 6.4% to 9.3%, 0.9% to 3.1% and 1.8% to 4.7%, respectively. At the professor rank, white people decreased from 87.4% to 81.6%, while Asians and Hispanics increased from 7.1% to 10.5% and from 0.7% to 2.1%, respectively. At the rank of associate professor, white people decreased from 81.1% to 68.3% whereas Asians, Hispanics and unknown races increased from 10.3% to 19.0%, 1.6% to 3.1% and from 2.1% to 3.5%, respectively. For the rank of assistant professor, white people decreased from 64.7% to 56.9% and Asians increased from 20.5% to 25.9%. Gender differences (men vs women) for the ranks of chairperson, professor, associate professor, assistant professor and instructors were 90.3% and 9.7%, 83.1% and 16.9%, 67.1% and 32.9%, 56.8% and 43.2%, and 48.1% and 51.9%, respectively. CONCLUSION: Over a period of 12 years the racial proportion in academic neurology has changed, but it is not proportionate to their respective increase in the population of the USA. Moreover, the portion of female faculty increased, but they are still under-represented in leadership roles. This racial and gender disparity can be addressed by well-planned interventions.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».