Learning Through Doing: Comprehensive Programming for a Training Program in Cancer Disparities
Notice bibliographique
Résumé
In the United States, preparing researchers and practitioners for careers in cancer requires multiple components for success. In this reflection article, we discuss our approach to designing a comprehensive research training program in cancer disparities. We focused on elements that provide students and early career scientists a deep understanding of disparities through first-hand experiences and skills training necessary to build a research career in the area. Our Educational Program sits within the framework of an NCI P20 program, "UHAND (University of Houston/MD Anderson Cancer Center)", jointly established by an NCI-designated comprehensive cancer center and a minority-serving university as a collaborative partnership devoted to the elimination of cancer inequities among disproportionately affected racial and ethnic groups (UHAND Program to Reduce Cancer Disparities; NCI P20CA221696/ P20CA221697). The Education Program was designed to build on and enhance skills that are critical to pursuing a career in cancer disparities research at the undergraduate, doctoral, and post-doctoral levels-such as scientific communication, career planning and development, professional and community-based collaboration, and resilience in addition to solid scientific training. As such, our program integrates (1) opportunities for learning through service to community organizations providing resources to populations with documented cancer disparities, (2) a tailored curriculum of learning activities with program leadership and mentored research with scientists focused on cancer disparities and cancer prevention, (3) professional development training critical to career success in disparities research, and (4) support to address unique challenges faced by trainees from backgrounds that are historically underrepresented in research.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».