Gendered Language in Letters of Recommendation for Applicants to Pulmonary Critical Care Fellowships
Notice bibliographique
Résumé
Abstract Background Previous work has demonstrated letters of recommendation for women in academic medicine are shorter and emphasize communal traits over grindstone or agentic traits. Objective To determine if there are sex-based differences in letters of recommendation written for applicants applying to pulmonary critical care medicine fellowships and if the sex of the letter writer impacts these differences. Methods All fellowship applications submitted to a pulmonary critical care medicine fellowship program in 2020 were included in this study. The applicant demographics and self-reported accomplishments were extracted from their application. The sex of letter writers was identified through public online searches. Word count and language differences in the letters of recommendation were analyzed for each applicant using the Linguistic Inquiry and Word Count (LIWC2015) program. Multivariable linear regressions were performed controlling for applicant characteristics to identify if applicant sex was associated with total word counts and total agentic word counts. Results Of the 529 complete applications, 2,024 letters of recommendation were reviewed. A majority of the applicants (70%, n = 370/530) and letter writers (75%, n = 1,515/2,024) were male. When adjusting for applicant demographic and accomplishments, female applicants had longer letters of recommendation (30.91 words longer, 95% confidence interval [CI], 1.53–60.29; P = 0.04) and more supportive letters (3.27 words longer, 95% CI, 1.59–4.95; P < 0.01) as compared with male applicants. Female letter writers wrote longer and more supportive letters than male letter writers, and this difference was greatest for female applicants. Conclusion Female applicants received longer and more supportive letters of recommendation. Further work is needed to understand if this finding is the beginning of a change in the letters of recommendation for female applicants.
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 | 0,003 | 0,038 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».