The State of Diversity in Academic Plastic Surgery Faculty across North America
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
BACKGROUND: Gender and racial disparity is prevalent in all surgical subspecialties with women and racial groups historically underrepresented in academic plastic surgery. This study evaluated gender and racial profiles of academic plastic surgery faculty in North America and correlated both with research productivity and its effect on academic ranks of faculty in plastic surgery. METHODS: In this cross-sectional study, we compiled a list of accredited medical schools that offer plastic surgery training for residency. Data were collected on demographics, academic rank, and research output using the Doximity, LinkedIn, and Scopus databases. Data analyses were performed with a Mann-Whitney U test and a Kruskal-Wallis test. RESULTS: Women who were black, indigenous, and/or other color occupied only 6.25% of plastic surgery faculty leadership positions in North America. There are more women and underrepresented minorities in leadership positions in Canada, when compared with the USA, relative to each country's demographic. In both countries, women and underrepresented minority plastic surgeons had fewer publications, citations, and years of active research. Interestingly, having women in leadership positions was associated with a higher number of women faculty members. CONCLUSIONS: Gender and racial disparity exist in academic plastic surgery in North America. Several changes are required in order for women and underrepresented minorities in medicine to have an equal chance at career advancement. Better representation and diverse leadership have the potential to bring about equity, diversity, and inclusion in academic plastic surgery.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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