Gender and Racial Profile of the Academic Pediatric Faculty Workforce in the United States
Notice bibliographique
Résumé
Background Equity, diversity, and inclusion remain a challenge in the healthcare workforce. This study explored the current gender and racial/ethnic trends in academic pediatric positions across the United States. Methodology The pediatric faculty self-reported data by the American Association of Medical Colleges (AAMC) Faculty Roster from 2007 to 2020 were analyzed. The races were classified as White (non-Hispanic), Asian, Hispanic, Black (non-Hispanic), Multiple races (including both non-Hispanic and Hispanic), Others, and Unknown. Gender was categorized as male and female. Results The results showed that Asian, Black (non-Hispanic), and Hispanic academic pediatricians increased in full professor, associate professor, and assistant professor positions and decreased in instructor positions from 2007 to 2020. Black (non-Hispanic) academic pediatricians relatively decreased 5.5% in chairperson positions. Women increased in full professor, associate professor, instructor, and chairperson positions; however, relatively decreased 1.8% in assistant professor positions. Men and White (non-Hispanic) academic pediatricians relatively decreased 10.5% and 16%, respectively, in all academic ranks. Women, Asian, Black (non-Hispanic), Hispanic, and Other races were underrepresented in tenured, on-track (tenure-eligible), and not-on-track (tenure-eligible) positions. Conclusions Women and underrepresented minorities in medicine (URiM) physicians continue to remain significantly underrepresented in academic pediatric faculty positions and tenured track positions. There is a dire need to adapt multifaceted strategies to increase the engagement of women and URiM in academic pediatrics.
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 | 0,001 |
| 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 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 ».