Evaluating neurosurgical training: a national survey examining the British trainee experience
Notice bibliographique
Résumé
PURPOSE: Neurosurgery training in the UK has undergone significant changes over the past few years, including the new competency-based curriculum and a reduction of elective operating due to the pandemic. We conducted a comprehensive survey to assess UK neurosurgical trainees' experiences and perceptions to develop targeted action plans. METHODS: An online anonymised survey was developed and distributed amongst the BNTA mailing list. Question types included 10-point Likert scales and free text options. Descriptive statistics, non-parametric testing of Likert scores, and Spearman's rank correlation were used to analyse responses. Pearson's chi-squared test was used for subgroup analysis of categorical data. RESULTS: A total of 75 trainees with a National Training Number (NTN) responded. Overall trainees feel they are well trained, well supported, and have caught up with training emerging out of COVID. Funding for training varied between deaneries. There is significant concern amongst trainees regarding the workforce crisis. This, as well as financial concerns are leading to more than a quarter of trainees considering quitting. Half of the trainees are considering going OOP. More than one third of the trainees and more than half of the female trainees are considering working Less Than Full Time (LTFT). Most important supportive mechanisms towards completion of training were social support, along with personal satisfaction from work. An independent mentoring scheme is a preferred additional support mechanism. CONCLUSIONS: Overall training experience for neurosurgery trainees in UK and Ireland was positive. There are significant concerns regarding the workforce crisis and costs of training, with a large proportion of neurosurgery trainees considering resigning. OOP and LTFT are popular means of becoming more competitive for consultant posts and to spend time with their families. Deanery experience, senior and peer support does, and will improve trainee experience and protect against attrition.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».