Extensive gender disparity in top medical schools and their affiliated dermatology departments: a cross-sectional study
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
Background Previous studies demonstrate female under-representation in top medical school leadership and dermatology departments, although separately. Here, we investigate the extent and interplay of gender disparity between these two bodies. Objective To compare the extent of gender disparity among top 15 US medical schools with affiliated dermatology programmes. Methods Cross-sectional study conducted in 2022. Faculty gender, academic rank, leadership position and membership of medical school leadership or affiliated dermatology department were extracted from public institutional sources. Research metrics (h-index, citations, publication span and publication counts) were collated using Elsevier’s SCOPUS tool. Results From 1243 individuals (31.7% women), 840 held medical school leadership positions and 403 were affiliated dermatology faculty. Rank biserial correlation indicated a significant relationship of male gender with higher academic rank (r=−0.305, p<0.001), leadership position (r=0.095, p=0.004) and scholarly metrics. More medical leadership individuals had higher academic rank than dermatology faculty; we, therefore, hypothesise a pipelining of rising departmental faculty into leadership positions. Limitations Public faculty listings seldomly reported leadership appointment age and length, career duration and mid-career breaks. Conclusion Continued diversity efforts are recommended to improve female under-representation in medical school leadership and affiliated dermatology faculties.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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