Discrimination, harassment, and intimidation amongst otolaryngology—head and neck surgeons in Canada
Notice bibliographique
Résumé
BACKGROUND: Understanding mistreatment within medicine is an important first step in creating and maintaining a safe and inclusive work environment. The objective of this study was to quantify the prevalence of perceived workplace mistreatment amongst otolaryngology-head and neck surgery (OHNS) faculty and trainees in Canada. METHODS: This national cross-sectional survey was administered to practicing otolaryngologists and residents training in an otolaryngology program in Canada during the 2020-2021 academic year. The prevalence and sources of mistreatment (intimidation, harassment, and discrimination) were ascertained. The availability, awareness, and rate of utilization of institutional resources to address mistreatment were also studied. RESULTS: The survey was administered to 519 individuals and had an overall response rate of 39.1% (189/519). The respondents included faculty (n = 107; 56.6%) and trainees (n = 82; 43.4%). Mistreatment (intimidation, harassment, or discrimination) was reported in 47.6% of respondents. Of note, harassment was reported at a higher rate in female respondents (57.0%) and White/Caucasian faculty and trainees experienced less discrimination than their non-White colleagues (22.7% vs. 54.5%). The two most common sources of mistreatment were OHNS faculty and patients. Only 14.9% of those experiencing mistreatment sought assistance from institutional resources to address mistreatment. The low utilization rate was primarily attributed to concerns about retribution. INTERPRETATION: Mistreatment is prevalent amongst Canadian OHNS trainees and faculty. A concerning majority of respondents reporting mistreatment did not access resources due to fear of confidentiality and retribution. Understanding the source and prevalence of mistreatment is the first step to enabling goal-directed initiatives to address this issue and maintain a safe and inclusive working environment.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».