Evaluating implicit gender bias at Canadian otolaryngology meetings through use of professional title
Notice bibliographique
Résumé
Abstract Objectives Increasing numbers of women enter medical school annually. The number of female physicians in leadership positions has been much slower to equalize. There are also well‐documented differences in the treatment of women as compared to men in professional settings. Female presenters are less likely to be introduced by their professional title (“Doctor”) for grand rounds and conferences, especially with a man performing the introduction. This study reviewed the Canadian Society of Otolaryngology–Head and Neck Surgery (CSOHNS) meetings from 2017 to 2020 to determine the proportion of presenters introduced by their professional title and whether this varied by gender. Methods Recordings from CSOHNS meetings were reviewed and coded for introducer and presenter demographics, including leadership positions and gender. Chi‐squared tests of proportion and multivariate logistic regression was used to compare genders and identify factors associated with professional versus unprofessional forms of address. Results No significant association was found between professional title use and introducer or presenter gender. Female presenters were introduced with professional title 69.6% of the time, while male presenters were introduced with professional title 67.6% of the time (P = 0.69). Residents were introduced with a professional title with the most frequency (75.8%), while attending staff were introduced with a professional title with the least frequency (63.0%) (P = 0.02). Conclusions The lack of gender bias in speaker introductions at recent CSOHNS meetings demonstrates progress in achieving gender equity in medicine. Research efforts should continue to define additional forms of unconscious bias that may be contributing to gender inequity in leadership positions.
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 | 0,025 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».