Improving Financial Literacy Using the Medical Mini-MBA at a Canadian Medical School
Notice bibliographique
Résumé
Introduction Financial literacy correlates with less debt and better retirement planning. Medical students, residents, and physicians often have poor financial literacy and large amounts of debt. We measured baseline financial literacy and whether it improved with the administration of a financial literacy course. Methods We created the Medical Mini-MBA,a six-week financial literacy course that targeted gaps in financial literacy among medical students and residents. Weekly topics included personal finance, investing, real estate and mortgage, physician billing and payment models, income and tax, and choosing a medical specialty. A 46-question financial literacy assessment was delivered to participants before and after the course. Results Of the 276 who participated in the course, 179 (64.86%) participated in the study. Participants who completed the course improved their financial literacy score by 10.10/46.00±5.12 (n=93, p<0.001). Self-assessment of financial literacy was positively correlated with financial literacy exam scores (r=0.366, p<0.001). Demographics such as gender, geography, education level, and first-degree relatives who are/were physicians had no effect on financial literacy scores. Conclusions The Medical Mini-MBA improved financial literacy at a Canadian medical school. Implementation of the coursemay equip medical students and residents for financial decisions. It avoids financial conflicts of interest and can supplement the medical curriculum.
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 | 0,002 | 0,004 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 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 ».