The Impact of Cost Cutting on MD-PhD Programs in Canada: Equity, Diversity, and Inclusion Challenges for Clinician-Scientist Training Programs.
Notice bibliographique
Résumé
BACKGROUND: MD-PhD programs play a critical role in training the next generation of clinician-scientists in Canada. However, since 2015, these programs have faced increasing financial pressures. This review examines the impact of cost-cutting measures on Canadian MD-PhD programs and their implications for equity, diversity, and inclusion initiatives in the Canadian context. METHODS: Using a mixed-methods approach, we analyzed funding structures across all 11 Canadian MD-PhD programs and compared them with 120 U.S. MD-PhD programs using publicly available data. RESULTS: Eighteen percent of Canadian MD-PhD programs (2 of 11) offer full funding, compared to 43% (52 of 120) of U.S. programs. Canadian MD-PhD applicants from two provinces (British Columbia and Ontario) have access to fully funded in-catchment programs (49% of Canada's population). By contrast, U.S. MD-PhD applicants from 31 states have access to fully funded in-catchment programs through Medical Scientist Training Programs (MSTPs) (85% of the U.S. population). Canadian MD-PhD programs have a more uneven geographical distribution and funding landscape than those in the United States, limiting accessibility for Canadian students from underrepresented and lower socioeconomic backgrounds. CONCLUSIONS: Despite recent increases in diversity among MD-PhD trainees, financial constraints threaten to reverse these gains, reducing opportunities for historically marginalized groups. This review highlights the need for renewed provincial and federal investment in MD-PhD training. Without targeted policy and funding supports, the sustainability of Canadian MD-PhD programs-and the future of Canada's clinician-scientist training pipeline-remains uncertain. Addressing these challenges is essential to maintaining Canada's global competitiveness in medical and scientific innovation and ensuring that clinician-scientist leadership reflects the diversity of the patient populations they serve.
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 | 0,018 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».