The voices of medical education scholarship: Describing the published landscape
Notice bibliographique
Résumé
INTRODUCTION: The voices of authors who publish medical education literature have a powerful impact on the field's discourses. Researchers have identified a lack of author diversity, which suggests potential epistemic injustice. This study investigates author characteristics to provide an evidence-based starting point for communal discussion with the intent to move medical education towards a future that holds space for, and values, diverse ways of knowing. METHOD: The authors conducted a bibliometric analysis of all articles published in 24 medical education journals published between 2000 and 2020 to identify author characteristics, with an emphasis on author gender and geographic location and their intersection. Article metadata was downloaded from Web of Science. Genderize.io was used to predict author gender. RESULTS: The journals published 37 263 articles authored by 62 708 unique authors. Males were more prevalent across all authorship positions (n = 62 828; 55.7%) than females (n = 49 975; 44.3%). Authors listed affiliations in 146 countries of which 95 were classified as Global South. Few articles were written by multinational teams (n = 3765; 16.2%). Global South authors accounted for 12 007 (11.4%) author positions of which 3594 (3.8%) were female. DISCUSSION: This study provides an evidence-based starting point to discuss the imbalance of author voices in medical education, especially when considering the intersection of gender and geographical location, which further suggests epistemic injustice in medical education. If the field values a diversity of perspectives, there is considerable opportunity for improvement by engaging the community in discussions about what knowledge matters in medical education, the role of journals in promoting diversity, how to best use this baseline data and how to continue studying epistemic injustice in medical education.
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 | 0,008 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».