Sticky Floor, Broken Ladder, and Glass Ceiling: Gender and Racial Trends Among Neurosurgery Residents
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction Diversity and equity in academic medicine are critically important in improving healthcare standards and patient-related outcomes. Gender and racial disparities are some major challenges faced by the health system. This article reviews the gender and racial trends among residents of neurosurgery in the United States (US). 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 neurosurgery. Results The number of female residents increased steadily from 10.6% in 2007 to 19.3% in 2019; with an absolute increase of 8.74%, a relative increase of 63.9%, and a simultaneous decrease in male residents. When averaged across the nine-year study period, 51% of the study sample was White (non-Hispanic), followed by Asian/Pacific Islanders at 15.2%. The representation of Hispanics was 4.3%, Black/African Americans were 4.5%, Native Americans/Alaskans were 0.2%, and others were 8% of the total study population. Conclusion Our study concludes that gender and racial disparity persist within the neurosurgery residency training programs in the US. Concrete efforts at all academic levels are needed to provide greater support for the females and for the careers of underrepresented minority (URM) trainees to ensure their increased representation in neurosurgery.
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.
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 | 0,000 | 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 découle