Gender Disparity in Academic Trauma Surgery: The Current State of Affairs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction Despite the increasing number of female surgeons in general surgery programs, women are still inadequately represented in leadership positions. This study aims to investigate the magnitude of gender bias in university-based trauma surgery fellowship programs and leadership positions in the United States of America. Material and Methods FRIEDA was used to identify trauma surgery programs. A thorough website review of each program obtained further information on faculty members, including their name, age, gender, and faculty rank. Trauma surgeons with an MD or DO qualification and a faculty rank of Professor, Associate Professor, or Assistant Professor were selected for inclusion in this study. SCOPUS was used to assess the H-index and the number of publications and citations of surgeons. Results The total number of programs included was 136, consisting of 715 faculty members. Less than a quarter (n = 166; 23.2%) comprised females and less than one-fifth (n = 30; 19%) of female surgeons were Professors. The difference in the research productivity of male and female trauma surgeons was statistically significant ( P < .05), with the average H-index being 10 vs 7.5, respectively, amongst the top 50 surgeons of both genders. Based on a multiple regression analysis, academic rank was significantly associated ( P < .05), and gender was not significantly associated ( P > .05) with H-index. Conclusion Gender disparity exists in the field of trauma surgery, as noted in senior faculty ranks and leadership positions. Female-inclusive state policies, appropriate mentorship, and supportive institutions can help to bridge this gap.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle