Gender Equality in Plastic Surgery Training: A Canadian Nationwide Cross-sectional Analysis
Notice bibliographique
Résumé
Introduction: One of the important factors in achieving gender equity is ensuring equitable surgical training for all. Previous studies have shown that females get significantly lower surgical exposure than males in certain surgical specialties. Gender gap in surgical exposure has never been assessed in plastic surgery. To that end, the goal of this study was to assess if there are any differences in plastic surgery training between male and female residents. Methods: A survey was sent to all plastic surgery residency programs in Canada to assess the No. of surgeries residents operated on as a co-surgeon or primary assistant during their training. The survey also assessed career goals, level of interest in the specialty, and subjective perception of gender bias. Results: A total of 89 plastic surgery residents (59.3% participation rate) completed the survey and were included in the study. The average No. of reconstructive cases residents operated on as a co-surgeon or primary assistant was 245 ± 312 cases. There was no difference in either reconstructive or aesthetic surgery case logs between male and female residents ( p > .05). However, a significantly larger proportion of females (39%) compared to males (4%) felt that their gender limited their exposure to surgical cases and led to a worsening of their overall surgical training ( p < .001). Finally, a larger proportion of male residents were interested in academic careers while a larger proportion of female residents were interested in a community practice ( p = .024). Conclusion: While there is no evidence of differences in the volume of logged cases between genders, female surgical residents still feel that their respective gender limits their overall surgical training. Gender inequalities in training should be addressed by residency programs.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».