Gender‐Based Microaggressions in Surgery: A Scoping Review of the Global Literature
Notice bibliographique
Résumé
BACKGROUND: In addition to systemic gender disparities, women in surgery encounter interpersonal microaggressions. The objective of this study is to describe the most common forms of microaggressions reported by women in surgery. METHODS: We conducted a scoping review using PubMed/MEDLINE, Ovid, and Web of Science to describe the international, indexed English-language literature on gender-based microaggressions experienced by female surgeons, surgical trainees, and medical students in surgery. After screening by title, abstract, and full-text, 37 articles were retained for data extraction and analysis. Microaggressions were analyzed using the Sexist Microaggression Experience and Stress Scale (MESS) framework and stratified by country of origin. RESULTS: Gender-based microaggression publications most commonly originated from the United States (n = 27 articles), Canada (n = 3), and India (n = 2). Gender-based microaggressions were classified into environmental invalidations (n = 20), being treated like a second-class citizen (n = 18), assumptions of traditional gender roles (n = 12), sexual objectification (n = 11), assumptions of inferiority (n = 10), being forced to leave gender at the door (n = 8), and experiencing sexist language (n = 6). Additionally, attendings were more frequently reported to experience microaggressions than surgical trainees and medical students, but more articles reported data on attendings (n = 16) than surgical trainees (n = 10) or students (n = 4). CONCLUSION: While recent advancements have opened the field of surgery to women, there is still a lack of female representation, and persistent microaggressions may perpetuate this gender disparity. Addressing microaggressions against female surgeons is essential to achieving gender equity in surgical practice.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».