Calling on Sponsorship: Analysis of Speaker Gender Representation at Hand Society Meetings
Notice bibliographique
Résumé
BACKGROUND: The paucity of leadership diversity in surgical specialties is well documented. Unequal opportunities for participation at scientific meetings may impact future promotions within academic infrastructures. This study evaluated gender representation of surgeon speakers at hand surgery meetings. METHODS: Data were retrieved from the 2010 and 2020 meetings of the American Association for Hand Surgery (AAHS) and American Society for Surgery of the Hand (ASSH). Programs were evaluated for invited and peer-reviewed speakers excluding keynote speakers and poster presentations. Gender was determined from publicly available sources. Bibliometric data (Hirsch index) for invited speakers were analyzed. RESULTS: In 2010 at the AAHS ( n = 142) and ASSH meetings ( n = 180), female surgeons represented 4% of the invited speakers and in 2020 increased to 15% at AAHS ( n = 193) and 19% at ASSH ( n = 439). From 2010 to 2020, female surgeon invited speakers had a 3.75-fold increase at AAHS and 4.75-fold increase at ASSH. Representation of female surgeon peer-reviewed presenters at these meetings was similar (2010 AAHS, 26%; and 2010 ASSH, 22%; 2020 AAHS, 23%; 2020 ASSH, 22%). The academic rank of women speakers was significantly lower ( P < 0.001) than for male speakers. At the assistant professor level, the mean Hirsch index was significantly lower ( P < 0.05) for female invited speakers. CONCLUSIONS: Although there was a significant improvement in gender diversity in invited speakers at the 2020 meetings compared with 2010, female surgeons remain underrepresented. Gender diversity is lacking at national hand surgery meetings, and continued effort and sponsorship of speaker diversity is imperative to curate an inclusive hand society experience.
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 | 0,003 | 0,004 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».