Research Career Intentions Among Non-Native English-Speaking Graduate and Postdoctoral Trainees in STEM—Results from Cross-Sectional and Longitudinal Studies
Notice bibliographique
Résumé
International graduate trainees, many of whom are non-native English-speaking (L2) trainees, comprise more than half of graduate-level trainees in STEM, but little is known regarding factors that influence their career intentions, especially those that foster their growth as scientists to achieve their full potential in research. Thus, the purpose of our studies was to examine the relationship between L2 status and contextual factors that help shape the learning experiences and plans for research-focused careers. Study 1 collected cross-sectional survey data from doctoral and postdoctoral trainees (N=510) from research institutes in the Texas Medical Center in Houston. We examined which factors were associated with research career intentions using multiple linear regression analysis. Study 2 collected longitudinal data from doctoral and postdoctoral trainees (N=185) from 71 institutions in 33 states in the U.S. Repeated measures of career intentions were evaluated using mixed-effect modeling, and cross-tabulation analysis evaluated job-seeking behaviors by language status. Results showed that L2 trainees had stronger intentions to pursue research careers than did native English-speaking trainees (L1), controlling for other variables. Mentoring, trainee self-efficacy, and the perception of working more than mentors expected influenced each career intention differently. In Study 2, career intentions did not change over time for L2 or L1 trainees, but L2s preferred working in higher education or research institutes more than L1s. L2s, however, were more likely to be in early stages of seeking jobs compared to L1s. These findings provide implications for research mentors, advisors, and academic administrators in facilitating L2 career advancement and success.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».