Results of a mixed-methods study on barriers to physician recruitment in Newfoundland and Labrador
Notice bibliographique
Résumé
Background: Like many rural and remote parts of Canada, the province of Newfoundland and Labrador (NL) struggles to maintain a skilled healthcare workforce. As many as 20% of people in the province are thought to be without a primary care physician. The purpose of this study was to determine the barriers recent Memorial University of Newfoundland medical alumni have faced in establishing medical practice in NL. Methods: An online survey followed by question-standardised focus group sessions. Results: Two hundred and ninety-one physicians who graduated from Memorial University of Newfoundland medical school between the years of 2003 and 2018 completed the survey. Nearly 80% of respondents recalled that NL was their preferred practice location at some point during training: 79.4% (n = 231) at the beginning of medical school and 77.7% (n = 226) at the beginning of residency training. However, at the time of the survey, only 160 (55.0%) respondents were working in NL. Respondents reported significant cultural and systemic barriers in trying to work in NL, including ineffective recruitment offices, lack of transparency in communication with health authorities, inequitable distribution of resources and workloads, lack of appropriate resources to support new positions, and return-of-service agreements that are not honoured or followed-up. Conclusion: Our study outlines a number of ways in which recruitment and retention could be improved, ultimately improving provincial health care and helping to fulfil the mandate of the medical school.
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 | 0,020 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».