A roadmap for surgeon leaders in improving gender equity: educational strategies, implementation, and evaluative methods
Notice bibliographique
Résumé
BACKGROUND: Gender diversity is lacking in the orthopedic workforce, and patient outcomes are known to be negatively affected when gender inequity exists. Following an unpublished needs assessment, we sought to evaluate participants' proposed solutions to gender inequity faced by female orthopedic surgeons in Canada and to translate the range of solutions into a medical education model. METHODS: Open-text responses from a gender-bias survey of Canadian orthopedic surgeons who identified as women were analyzed qualitatively by 2 experts. The questions covered the domain of changes required to improve the work environment. We used the latter 2 steps of Kern's educational framework as a lens to interpret the data and generate solutions. RESULTS: A total of 330 eligible surgeons were approached, and 220 (67.0%) completed the survey. Respondents provided more than 14 000 words of text for analysis. Using the themes of the unpublished needs assessment, we defined broad goals and specific objectives, including raising awareness, establishing an equitable playing field, drawing attention to male privilege, developing effective mentorship, eliminating harassment, and unburdening the second shift. We present solutions via educational strategies and evaluative methods based on Kern's framework. CONCLUSION: We offer a road map for improving gender diversity in orthopedic surgery, based on survey results from Canadian women in orthopedic surgery, analyzed using a gender bias framework and an educational conceptual framework. We hope that this work will improve the surgical profession and patient care.
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 | 0,369 | 0,241 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,012 | 0,009 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».