Becoming doctors again in the United States: An intersectional approach to understanding women refugee physicians
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although International Medical Graduates (IMGs) make up close to one quarter of practicing physicians in the US, formal and informal barriers to gaining a US medical license are high. Previous research has identified a number of such obstacles including linguistic and cultural impediments, subtle and overt prejudice, bias, and discrimination, as well as formal and informal hurdles in the admission process for residency positions. For purposes of US medical licensure qualifications and record-keeping, all IMGs are lumped together. However, IMGs are not homogeneous. Studies of the licensure process typically distinguish between US citizens who go to medical school outside the US (USIMGs) and non-US citizens who prepare to complete their medical training in a US residency (non-USIMGs) but this distinction conceals significant differences among non-USIMGs. This paper contributes to the growing body of literature that explores differences among the trajectories of would-be physicians who are non-US citizens by focusing on women physicians who are both non-USIMGs and forced to flee from their homelands (Refugee Physicians). It applies an intersectional lens to understand ways in which gender, forced migration, and medical licensure in the US are interrelated factors constraining the decisions of non-USIMGs. Drawing upon a larger qualitative study of 18 men and 10 women Refugee Physicians in the United States this paper focuses on the experiences of the 10 women and asks: how does gender matter in Refugee Physicians’ navigation of the medical licensure system and migration?
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.
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 | 0,062 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle