Article Factors Influencing Gender Disparities in Senior Authorship of Plastic Surgery Publications
Notice bibliographique
Résumé
INTRODUCTION: Female plastic surgeons publish fewer and lower impact articles. To better understand how to address this gender gap, we explored the temporal trends in female senior authorship and evaluated predictive factors for female senior authorship. METHODS: A retrospective review of articles published in the 3 highest impact plastic surgery journals published from 2010 to 2020 was conducted. Trends with female senior authorship across time were analyzed with respect to study type, subspeciality, and geographical origin. RESULTS: Of the 5425 articles included, 13% (n = 720) had a female senior author, and female senior authorship increased across time ( R = 0.84, P = 0.033). Over the decade, an increased proportion of cohort studies ( R = 0.82, P = 0.045), systematic reviews ( R = 0.96, P = 0.003), breast-related articles ( R = 0.88, P = 0.022), and reconstruction-related articles ( R = 0.83, P = 0.039) were published by female senior authors. Subspecialty and geography predicted female senior authorship; articles focused on aesthetic (odds ratio [OR] = 1.3, P = 0.046) and breast (OR = 1.7, P < 0.001) subspecialties or those originating from Canada (OR = 1.7 P = 0.019), Europe (OR = 1.5, P < 0.001), and Latin America (OR = 3.0, P < 0.001) were more likely to have a female senior author. Articles from East Asia were less likely to have female senior authors (OR = 0.7, P = 0.005). CONCLUSION: Female senior authorship in plastic surgery has increased over the last decade, and the proportion of female plastic surgeons leading cohort studies and systematic reviews is increasing. Sex of the senior author is influenced by plastic surgery subspecialty and geographical origin, but article type did not impact the odds of female senior authorship.
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 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 | 0,003 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».