Representation Matters: Expanding the Leadership Table for All Radiation Oncology Trainees
Notice bibliographique
Résumé
Radiation oncologists are critical members of the cancer care continuum, providing treatment to more than 60% of individuals with cancer diagnoses.1 In the United States (US), the radiation oncology (RO) workforce is composed of approximately 5,500 physicians. However, stark underrepresentation from marginalized and excluded racial and ethnic communities2 is magnified throughout the workforce pipeline and has shown little change from a historic perspective. Despite a doubling of RO resident positions from 1974 to 2016, Black RO residents decreased from 5.9% to 3.2%, without much change in 2019, the year before the creation of the Association of Residents in Radiation Oncology (ARRO) Equity and Inclusion Subcommittee (EISC)2 (Fig. 1). Attrition of radiation oncologists from groups underrepresented in medicine (UIM) along the career ladder has subsequently resulted in a scarcity of representation in academic leadership positions.3 As founders of the ARRO EISC, we hope a deeper understanding of our process, guiding principles, challenges, and future goals provides a model to reimagine and redesign leadership at any stage in medical training.Fig. 1
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 | 0,009 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,017 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,018 |
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 ».