Turning Problems into Progress for Primary Care Research Trainees: A Mixed-Methods Analysis of an Online Cross-Sectional Survey
Notice bibliographique
Résumé
Background As the field of primary care research continues to grow, it is increasingly important to address the concerns of our trainees. Trainees are central to workforce development and represent the future of the field. Identifying the specific needs and barriers they face in pursuing primary care research is essential to advancing the discipline. Methods In this mixed-methods approach, we analyzed responses to an 33-item cross-sectional survey via REDCap. We performed quantitative analysis using RStudio for Windows (version 2025.05.1) and manually coded overarching themes in Microsoft Excel using an inductive thematic analysis approach. Findings Sixty-nine survey responses were included in the quantitative analysis. A majority of responses were from allopathic medical (MD) students, representing 28.08% of respondents ( n = 18), followed by medical residents ( n = 17; 24.64%). We received responses from four countries: the United States ( n = 45; 65.20%), Netherlands ( n = 12; 17.40%), Canada ( n = 11; 15.90%), and Uganda ( n = 1; 1.40%). We analyzed 66 quotes from 29 participants using an inductive thematic approach, and uncovered nine overarching themes: (1) Guidance and Mentorship, (2) Networking, (3) Training, (4) Time, (5) Funding, (6) Resources, (7) Support, (8) Sustainability, and (9) Institutional Limitations. Conclusion Primary care research trainees face complex challenges such as limited time, funding, mentorship, and research skills, compounded by clinical demands and institutional barriers. Solutions include protected research time, structured mentorship, networking, and equitable institutional support. Future research should identify trainees’ priorities and develop actionable strategies to support primary care research trainees.
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 | 0,077 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».