Gender Differences in Barriers to Academic Cardiovascular Careers in North America
Notice bibliographique
Résumé
BACKGROUND: Despite improvements in gender representation across cardiovascular training stages, there is a decline in women cardiologists at higher levels of academia. OBJECTIVES: The purpose of this study was to understand personal and systemic contributors to academic career attrition from the perspectives of men and women across career stages. METHODS: The American College of Cardiology administered a 24-question online survey to early career (EC) cardiologists and fellows in training (FITs) in the United States and Canada from August to September 2023 to assess barriers to academic careers. Responses were evaluated by self-reported gender. RESULTS: Among 608 respondents (16% response rate, 23.2% women), EC women and men shared similar reasons for being interested in academia. More women reported discrimination and competing clinical responsibilities as barriers to academia compared to men (25.6% vs 11.2%, and 60.5% vs 42%, respectively, P < 0.001 for both), while more men cited lack of job openings compared to women (34.8% vs 22.1%, respectively; P = 0.020). There was no difference in work satisfaction between women and men FITs, but women were less likely to report strong work satisfaction compared to men at the EC stage (62.3% vs 76.7%, respectively; P = 0.035). Both men and women ranked new methods to measure and reward academic pursuits as the most desired intervention to promote academic success, with more EC women valuing mentorship (83.3% vs 63.2%; P = 0.016). CONCLUSIONS: FIT and EC cardiologists' perspectives regarding academic cardiology careers reveal unique barriers by gender and career stage. These highlight the need to support the evolving needs of FITs and ECs during this vulnerable transition period.
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 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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».