Improving mentorship for residency applications: insights from the Canadian match mentorship program
Notice bibliographique
Résumé
BACKGROUND: The Canadian Federation of Medical Students Match Mentorship Program (CFMS-MMP) pairs residency applicants with residents or fellows across Canada based on specialty, school of interest, and social or application-related factors. This quality improvement study examined program strengths, areas for improvement, and valued mentorship characteristics. METHODS: A multi-institutional, cross-sectional survey was distributed to program participants following field testing. The 20-item survey assessed perceptions of the program, preferred pairing criteria, and valued mentorship qualities. Quantitative data were analyzed descriptively, while qualitative responses underwent content analysis. RESULTS: Of 291 final-year medical students and 364 mentors enrolled, 107 mentees and 132 mentors completed the survey. Most mentees (85.4%) prioritized specialty as their top matching criterion, followed by school (10.1%) and demographic concordance (5.6%). Most mentors (70.5%) and mentees (70.1%) agreed or strongly agreed the program was valuable. Many mentors (87.9%) wished to participate again, and 83.2% of mentees were interested in becoming mentors in subsequent iterations. Mentees valued interview preparation (83.2%), mentor communication (82.2%), and availability (80.4%), while mentors most strongly valued the mentee’s willingness to engage meaningfully (84.8%). Gender and racial or ethnic concordance were less valued. Qualitative feedback highlighted flexibility, self-directed structure, and tailored matching as strengths, while proximity to application deadlines and inconsistent mentee engagement were challenges. CONCLUSIONS: The CFMS-MMP provided valued mentorship through flexible, interest-aligned pairings. The implementation of structured check-ins with pairs and mentorship workshops for mentors may improve engagement. Matching by specialty and communication style was preferred over demographic concordance, offering insights for optimizing future mentorship initiatives. Specialty and institutional alignment may be more important than demographic concordance for senior medical students.
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 | 0,000 |
| 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) | 0,001 | 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 ».