Promoting Female Leadership in Academic Surgery: Disrupting Systemic Gender Bias
Notice bibliographique
Résumé
Gender bias is a pervasive issue in academic surgery and is characterized by familiar patterns previously described in the business world. In this article, the authors illuminate gender bias patterns in academic surgery identified in prior in-depth interviews with female surgical department chairs across the United States. The 4 main gender bias patterns drawn from the business world and illuminated with data from the interviews are (1) prove-it-again, (2) tightrope or double-blind dilemma, (3) maternity wall or benevolent bias, and (4) tug-of-war. The authors propose steps to disrupt systemic gender bias issues recognized in the academic surgery community. The proposed steps are informed by guidance from surgical diversity task forces, by existing literature, and by the authors' own experiences in the field. The steps are divided into 3 main categories: education, structured mentorship, and transparency. The proposed changes include improving training and recognition of unconscious bias, establishing level-appropriate and deliberate mentorship across all stages of training and practice, standardizing promotional requirements, and eliminating outdated standards that contribute to the gender pay gap. Although this article addresses gender bias in academic surgery, the proposed steps toward change can promote equity across the surgical community as a whole and extend to other underrepresented groups in the field.
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 | 0,024 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,015 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».