Experiences and Impacts of Harassment and Discrimination Among Women in Cardiac Medicine and Surgery: A Single-Center Qualitative Study
Notice bibliographique
Résumé
Background: Gender- and sex-based harassment and discrimination are consistently reported by about 50% of women physicians, and the prevalence may be even greater among women in cardiology. An exploration of these experiences and their impacts on women in healthcare is necessary to design interventions, create supports, and facilitate empathy, support, and allyship among leadership. Methods: To understand and describe the experiences of harassment and discrimination among women working in cardiac sciences, to inform the design of interventions and supports, we performed one-on-one, semi-structured interviews with women in the Department of Cardiac Sciences in a single institute. Interviews were coded independently in parallel using thematic analysis and reconciled by trained qualitative researchers. Experiences were categorized as harassment using the Canadian Human Rights Act. Codes were grouped into themes by iterative discussion. Results: There were 15 participants, including trainees, physicians in a variety of cardiac subdisciplines, and nurse practitioners. All participants had experienced sex- or gender-based discrimination at work, though the impact and perception of these experiences varied. Whereas some participants felt that these experiences had little influence on their careers or personal lives, others changed practice specialties or locations due to harassment. Several participants had been sexually assaulted at work. Interviews revealed modifiable barriers to reporting harassment. Conclusions: This qualitative dataset enriches the prevalence data on sex- and gender-based harassment among women working in cardiology by describing the impacts and perceptions of this harassment. Organizations should address commonly described barriers to reporting harassment, including addressing retaliation, and create systems-level supports for those affected by harassment.
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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,006 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».