What Does It Take to Become an Academic Plastic Surgeon in Canada: Hiring Trends Over the Last 50 Years
Notice bibliographique
Résumé
Objective: Academic plastic surgery positions have become highly competitive secondary to delayed retirement, stagnant hospital funding, and an increasing number of plastic surgery graduates. Little information is available to help residents navigate this challenging landscape. Our objectives were to evaluate the training backgrounds of all Canadian academic plastic surgeons and to develop recommendations for residents interested in an academic career. Methods: All Canadian academic plastic surgeons were included. Training histories were obtained from institutions’ websites. Surgeons were subsequently emailed to confirm this information and complete missing details. Multivariate regressions were designed to analyze the effect of gender and FRCSC year on graduate and fellowship training and time to first academic position. Results: Training information was available for 196 surgeons (22% female), with a 56% email response rate; 91% of surgeons completed residency in Canada; 94% completed fellowship training, while 43% held graduate degrees; 74% were employed where they previously trained. Female gender significantly lengthened the time from graduation to first academic job, despite equal qualification. Younger surgeons were more likely to hold graduate degrees ( P < .01). Conclusions: We identified objective data that correlate with being hired at an academic centre, including training at the same institution, obtaining a graduate degree during residency, and pursuing fellowship training. In addition, we demonstrated that women take significantly longer to acquire academic positions ( P < .01), despite equal qualification. Trainees should consider these patterns when planning their careers. Future research should explore gender-based discrepancies in hiring practices.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».