Trends in ophthalmology applicants going unmatched in the Canadian Resident Matching Service
Notice bibliographique
Résumé
Background: Applicants to ophthalmology have high rates of going unmatched during the CaRMS process, but how this compares to other competitive or surgical specialties remains unclear. Our research aims to examine this phenomenon by identifying trends and comparing match data with other specialties, to identify disparities that may inform the need for future interventions to improve the match process for applicants. Methods: We used a cross-sectional analysis of data provided by CaRMS on the residency match from 2013 to 2022. Results: We obtained data from 608 ophthalmology, 5,153 surgery, and 3,092 top five (most competitive) specialty first choice applicants from 2013-2022. Ophthalmology applicants were more likely to go unmatched (18.9% [120/608]) than applicants to the top five (11.9% [371/3,092]) and surgical (13.5% [702/5,153]) specialties (p<0.001) and were twice as likely to rank no alternate disciplines (31.8%, p < 0.001) over the study period. In the first iteration, when alternate disciplines were ranked, the match rate to alternate disciplines was highest for ophthalmology applicants (0.41, p < 0.001). The majority (57.8%) of unmatched ophthalmology applicants do not participate in the second iteration. Conclusion: Compared to other competitive specialties, first choice ophthalmology applicants were more likely to go unmatched, rank no alternate disciplines, and choose not to participate in the second iteration. Ophthalmology applicant behaviours should be further studied to help explain these study findings.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».