MétaCan
Menu
Retour à la cohorte
Enregistrement W4404043028 · doi:10.1111/ans.19298

A comparison of orthopaedic surgery training across five English‐speaking countries

2024· article· en· W4404043028 sur OpenAlexaffabout
Alexander Boyle, Corey D. Chan, Alice Liu, David N. Bernstein, Ian Incoll

Notice bibliographique

RevueANZ Journal of Surgery · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSurgical Simulation and Training
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Institute for Health and Care Research
Mots-clésMedicineGraduation (instrument)Training (meteorology)SpecialtyOrthopedic surgeryCompetition (biology)Selection (genetic algorithm)Medical educationFamily medicineSurgeryGeography

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: There is undocumented and unjustified variability in orthopaedic surgery training between countries. This study compares and contrasts the main features of orthopaedic training in Australia, New Zealand, the United Kingdom, United States, and Canada. METHODS: Comparisons included: competition for, and selection into, training; training pathway structures; training requirements, and; training length. RESULTS: Selection into orthopaedic surgery training is competitive in all countries assessed with acceptance rates ranging from 22%-26% in Australia and New Zealand to 85% in Canada. Minimum length of post-medical school training varies from 5 years in the USA and Canada, to 8 years in Australia, 9 years in New Zealand, and 10 years in the United Kingdom. All countries encourage participation in research during training, although there are varying requirements. Significant bottlenecks characterize selection into training in Australia, New Zealand, and the United Kingdom, meaning the majority of doctors take more than a decade from medical school graduation to obtaining their specialty surgery qualification. CONCLUSIONS: There is high variability between the orthopaedic training programs of the studied countries. An awareness of these differences and similarities may help improve training, or provide solutions for identified gaps in each country.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,447
Score d'incertitude au seuil0,513

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,123
Tête enseignante GPT0,385
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueANZ Journal of SurgeryMême sujetSurgical Simulation and TrainingTravaux en français237 207