Gender and Racial Trends Among Vascular Neurology Fellowship Programs: By Design or By Default
Notice bibliographique
Résumé
Introduction Benefits of increasing diversity in teams include the addition of different perspectives leading to increased innovation and creativity, faster problem solving, improved workforce morale, and reduced burnout leading to improved patient outcomes. This article reviewed the trend of gender and racial disparity in vascular neurology fellowship programs. Methods We retrospectively analyzed the data extracted from the Accreditation Council for Graduate Medical Education (ACGME)'s annual Data Resource Books from 2007 to 2019. ACGME cataloged gender as men and women and race/ethnicity was categorized as White/Non-Hispanic, Asian or Pacific Island, Hispanic, Black/Non-Hispanic, Native American/Alaskan, others, and unknown. Counts, proportions, relative, and absolute percentage changes were calculated to highlight trends in resident appointments over time and across the specialty of vascular neurology. Results The representation of females increased steadily; with a relative increase of 11.78% from the year 2007 to 2019. Race/ethnicity was reported starting from the year 2011. When averaged across the nine-year study period, 35% of the study sample was White (Non-Hispanic), followed by Asian/Pacific Islanders at 25%. The representation of Hispanics was 4.8%, Black/African Americans were 3%, Native Americans/ Alaskans were 0.23% and Others were 13% of the total study population. For 17.7% of the fellows, racial data were not known and was categorized as Unknown racial distribution. Conclusion Our study concludes that gender and racial disparity persists within the fellowship programs of vascular neurology. Effective strategies at individual, administrative, and national levels are needed to engage women and under-represented minorities in vascular neurology as a career choice.
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 | 0,000 |
| 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) | 0,001 | 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 ».