Occupational segregation by gender in veterinary specialties: Who we are choosing, or who is choosing us
Notice bibliographique
Résumé
OBJECTIVE: Gender demographics vary across specialties including surgery, internal medicine, cardiology, neurology, and oncology. Our objective was to determine whether residency selection or the decision to apply for training drives these differences. STUDY DESIGN: Retrospective cohort study. SAMPLE POPULATION: Matched and unmatched residents lists from Veterinary Internship and Residency Matching Program (VIRMP) from 2011 to 2020. Comparative Data Reports from the American Association of Veterinary Medical Colleges from 2010 to 2019. METHODS: Names for matched and unmatched residents with addresses in the United States or Canada were coded for gender for seven programs: large and small animal surgery, large and small animal medicine, cardiology, neurology, and oncology. Match rate by gender was compared using chi-square tests. Gender demographics of applicants were compared to demographics of graduates using tests of two proportions. RESULTS: No differences were observed between genders for the likelihood of successfully matching into each residency program evaluated except in large animal internal medicine. Women (44.2%) were slightly more likely to match, overall, than men (39.0%, p = .003). The proportions of women applying for residencies overall (70.7%), in large and small animal surgery (66.1%, 62.2%), cardiology (70.2%), and neurology (70.7%) were lower than the proportion of female graduates (79%; p's < .001). CONCLUSION: No evidence for gender bias was detected in the VIRMP resident selection process. Female veterinary graduates seemed less likely to apply for residencies than their male counterparts. IMPACT: Occupational segregation seems to stem from the decision to apply for residency. Interventions aimed at altering gender demographics in specialized medicine should target potential applicants.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».