Pharmacology Specialty and Brain Drain are Factors for Consideration in Improving Pharmacology Education in Nigeria ‐ Lagos State University College of Medicine (LASUCOM) as Example
Notice bibliographique
Résumé
INTRODUCTION In Nigeria, pharmacology departments teach medical students didactically towards direct health care delivery. Is there a premise for expanding pharmacology departments' programs to include science degree curricula using LASUCOM as example? METHODS Medical students of LASUCOM participated in different 18‐question surveys two months apart. RESULTS Respondents associated pharmacology with medicine (61.3%), science (24.9%), industry (16.8 %), and government (11.1%); 32.8% want to know clinical pharmacology, 7.1% basic pharmacology; 45.8% prefer to study lecturers' notes, 26.7% textbooks, 9.8% the Internet, and 2.7% journals;primarily to be able to treat patients (40%), obtain MBBS degree (39.1%) and 8.9% to know this subject, 3.1% to make money; 0.4% would definitely and 33.8% would probably become pharmacologists, while 27.1% are uninterested and 8.4% would never be pharmacologists. Regarding Nigeria as not yet developed (51%), most would visit a developed country (61%) after MBBS (52%); some to spend professional life (59.52%); highest interests are in USA (46.7%), Canada (44.8%) and any European country (40.48%); based on scientific and technical advancement (60%). Some 23.8% consider it important for self fulfillment; 32.9%, 26.2%, and 21.9% for opportunity, bright future, and job satisfaction; 63% would necessarily return to Nigeria for roots (39%), to bring expertise (51.9%) and experience (53.3%). CONCLUSION Respondents relate pharmacology to MBBS requirements; pharmacology departments could include science degree programs, collaborating with advanced countries, to contribute to local scientific and technical advancement, lack of which promotes brain drain.
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 | 0,001 |
| 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 | 0,000 |
| 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) | 0,000 | 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 ».