Investigating Canadian Radiology Residents’ Personal Financial Literacy: A Nation-Wide Assessment.
Notice bibliographique
Résumé
Abstract Introduction:Resident physicians throughout Canada carry large debt to finance their education. The literature suggests that debt and money management both play a large role in day-to-day life decisions and in deciding the future of physicians. The objective of this observational study is to assess the financial literacy of Canadian radiology residents through testing their financial knowledge and obtaining an understanding of their financial wellness. Methods:A survey was designed to assess the financial literacy and current financial status of radiology residents. After a pilot run to ensure robustness, the survey was distributed nationally to Canadian radiology residents via Google Forms. Descriptive analyses on preliminary data and the association between level of training and financial quiz scores were obtained. Results:In total, 104 valid responses from 16 universities were received. Respondents’ levels of training were spread across the 5 training levels. The majority (53%) of residents indicated that their debt was greater than $150,000, yet only 12% of residents stated they had a formal financial residency curriculum. The average score of residents on the financial literacy quiz was 71% and survey quiz scores were not associated with training level (p = 0.71). The majority (89%) of residents indicated a strong interest in a formal financial literacy curriculum, with 80% stating they would like the curriculum delivered by other physicians. Conclusion:Our findings demonstrate unique insight into the financial literacy and demographics of Canadian radiology residents. Overall, residents face a high debt burden and the majority feel that they do not have an adequate financial literacy curriculum in their program. Current resident physicians value a formal financial literacy curriculum as a part of their residency program despite existing financial knowledge. Most importantly, residents feel that a curriculum created with involvement of other physicians would be optimal.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».