Gender Inequity in Clinical Clerkships and its Influence on Career Selection: A Cross-Sectional Survey
Notice bibliographique
Résumé
Objective: The aim of this study was to identify the frequency, form, and underlying factors contributing to gender inequity experienced by medical undergraduates and assess its influence on their career choices. Method: , 2021-March 30th, 2022. 430 participants were enrolled using a simple-random-sampling-technique. Chi-square/Fisher's Exact tests are employed to assess the relationships between gender and gender-based inequity in various specialties, including their characteristics, influence on career choices, adverse psychological effects, and potential mitigation strategies. Results: Among 430 respondents, 28.6% were male, and 71.4% were female. 89.1% reported gender inequity, evenly distributed in government (80.4%) and private institutions (88.1%). The general surgery and gynecology disciplines stood out, each with a 56% prevalence. In gynecology and surgery clinical-clerkships, both genders experienced similar rates, with females at 54.5% and 42.3%, and males at 56.7% and 61.6%, respectively (P-value = .000*). Disrespect from staff/professors/patients (48.8%) was the most common manifestation, driven by factors like preferences (73.7%), gender superiority (62.6%), societal attitudes (54%), and cultural norms (50.9%). Furthermore, 82.6% of students reported that gender inequity had a negative impact on their career decision (Male = 82.9%;Female = 82.4%, P-value = .899). Additionally, gender inequity also caused demotivation (78.1%), poor self-esteem (67.2%), helplessness/hopelessness (48.6%), and frustration (45.8%). Conclusions: Gender inequity is widely prevalent in the clinical-clerkships, affecting medical students' career decisions and mental health, stressing the need to prioritize and implement solutions at the undergraduate clinical-clerkship level.
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».