Perceptions, awareness and influences of medical students towards plastic surgery: A systematic review
Notice bibliographique
Résumé
Introduction: Plastic, reconstructive and aesthetic surgery (PRAS) is a significant yet often overlooked specialty in medical school curricula. The impact of social media and unregulated information sources can distort the perceptions of medical specialties, including PRAS, leading to a decline in student interest, inappropriate referrals and strain on healthcare services. This systematic review aimed to understand the perceptions of medical students towards PRAS, identify influencing factors and explore strategies to address these influences. Methods: The review followed the PRISMA 2020 guidelines. Four databases were searched, and the inclusion and exclusion criteria were applied. Data from 17 relevant studies were analysed in Microsoft Excel using descriptive statistics. The risk of bias was assessed using a modified Newcastle-Ottawa Scale. Results: Medical students generally held positive perceptions about PRAS, particularly regarding career opportunities, specialised skills and the nature of the specialty. However, their awareness of the full scope of plastic surgery is limited, with a focus on cosmetic and aesthetic procedures. Social media and the internet significantly influenced the students' perceptions, whereas personal experiences had a minor impact. Education and training in plastic surgery positively affected the students' perceptions. Nevertheless, there is a need for improved representation of PRAS in medical school curricula and promotion of accurate information through reliable sources. Conclusion: Students exhibited a favourable attitude towards plastic surgery, but their knowledge of the specialty can be enhanced. Strengthening PRAS teaching in medical schools and ensuring accurate information dissemination can foster a deeper understanding and interest in this field. Large-scale studies with standardised protocols should be conducted in different countries to gain comprehensive insights tailored to specific educational contexts.
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 | 0,010 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».