Evaluating the Outcomes and Trainee Performance of a Canadian Medical Imaging Clinician Investigator Program
Notice bibliographique
Résumé
Purpose: To measure the research productivity of trainees from the University of Toronto’s Medical Imaging Clinician Investigator Program (MI-CIP) and comparing it with the research productivity of trainees from MI-non-CIP and General Surgery (GSx) Clinician Investigator Program. Methods: We identified residents who completed an MI-CIP, MI-non-CIP and GSx-CIP from 2006-2016. In each group of trainees, we assessed 3 research productivity outcomes with non-parametric tests before residency and at 7 years post-CIP completion/post-graduation. Research productivity outcomes include the number of total publications, the number of first-author publications, and the publication’s average journal impact factor (IF). Results: We identified 11 MI-CIP trainees (male/female: 9 [82%]/2 [18%]), 74 MI-non-CIP trainees (46 [62%]/28 [38%]) and 41 GSx-CIP trainees (23 [56%]/18 [44%]). MI-CIP trainees had statistically significant higher research productivity than MI-non-CIP in all measured outcomes. The median (interquartile range, IQR) number of total publications of MI-CIP vs MI-non-CIP trainees was 5.0 (8.0) vs 1.0 (2.0) before residency and 6.0 (10.0) vs .0 (2.0) at 7 years post-CIP completion/post-graduation. The median (IQR) first-author publications of MI-CIP vs MI-non-CIP trainees was 2.0 (3.0) vs .0 (1.0) before residency and 2.0 (4.0) vs (.0) (1.0) at 7 years post-CIP completion/post-graduation. The median (IQR) average journal IF of MI-CIP vs MI-non-CIP trainees was 3.2 (2.0) vs .3 (2.4) before residency and 3.9 (3.2) vs .0 (2.6) at 7 years post-CIP completion/post-graduation. Between MI-CIP and GSx-CIP trainees, there were no significant differences in research productivity in all measured outcomes. Conclusion: MI-CIP trainees actively conducted research after graduation. These trainees demonstrated early research engagement before residency. The similar research productivity of MI-CIP vs GSx-CIP trainees shows initial success of MI-CIP trainees.
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 | 0,021 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».