Gender bias in reference letters for residency and academic medicine: a systematic review
Notice bibliographique
Résumé
Reference letters play an important role for both postgraduate residency applications and medical faculty hiring processes. This study seeks to characterise the ways in which gender bias may manifest in the language of reference letters in academic medicine. In particular, we conducted a systematic review in accordance with Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. We searched Embase, MEDLINE and PsycINFO from database inception to July 2020 for original studies that assessed gendered language in medical reference letters for residency applications and medical faculty hiring. A total of 16 studies, involving 12 738 letters of recommendation written for 7074 applicants, were included. A total of 32% of applicants were women. There were significant differences in how women were described in reference letters. A total of 64% (7/11) studies found a significant difference in gendered adjectives between men and women. Among the 7 studies, a total of 86% (6/7) noted that women applicants were more likely to be described using communal adjectives, such as "delightful" or "compassionate", while men applicants were more likely to be described using agentic adjectives, such as "leader" or "exceptional". Several studies noted that reference letters for women applicants had more frequent use of doubt raisers and mentions of applicant personal life and/or physical appearance. Only one study assessed the outcome of gendered language on application success, noting a higher residency match rate for men applicants. Reference letters within medicine and medical education exhibit language discrepancies between men and women applicants, which may contribute to gender bias against women in medicine.
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 | 0,020 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».