Junior faculty perspectives on the academic environment: A call for development and onboarding
Notice bibliographique
Résumé
BACKGROUND: One challenge in dental education is new faculty members can be hired with limited teaching experience or understanding of pedagogy. Recent publications document increasing initiatives of faculty development in US and Canadian dental schools. This study evaluates full-time faculty perspectives of their develop and academic environment. METHODS: A 33-item questionnaire distributed to senior administrators and forwarded to faculty, collected data on demographics and satisfaction, utilizing a 5-item Likert scale, multiple choice, and binary yes/no questions. Responses were descriptively and statistically analyzed utilizing an analysis of variance, chi-square, and two-sample t-test. RESULTS: There were 183 faculty respondents (37.7% male/62.3% female), age ranges were 20-29 (2.2%), 30-39 (53.5%), and 41-49(44.3). Respondents reported race/ethnicity: Caucasian (60.7%), Asian (19.1%), Hispanic (12.6%), Black/African American (5.5%), two or more races (2.2%), and Native American 0%. Length of employment was significantly associated with primary responsibility (p = 0.0023), recent publications (p < 0.0011), and short-term intent to remain in academia (p = 0.046). There was a statistically significant difference between age and satisfaction with professional development (p = 0.0411), achieving career objectives (p = 0.0151), well-being (p = 0.0492), access to resources for scholarly interests (p = 0.0114), communication (p = 0.0058), and assessment training (p = 0.0249). Non-Caucasian faculty reported greater dissatisfaction with being treated respectfully (p = 0.0302), departmental commitment to diversity and inclusion (p = 0.0075), and departmental cooperation/teamwork (p = 0.0323). CONCLUSIONS: A significant number of junior faculty have interest in academic dental careers. Institutions should invest in improving onboarding and professional development. Improve the early experiences of faculty, and foster diversity and inclusion and faculty well-being.
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 | 0,039 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,007 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».