Geographic distribution of ophthalmology residency matches: a comparison of pre- and post-virtual interview cycles in Canada
Notice bibliographique
Résumé
OBJECTIVE: To determine the impact of virtual interviews on the geographic distribution of matched ophthalmology residency applicants. DESIGN: A retrospective database review. PARTICIPANTS: A total of 334 residents commencing ophthalmology training from 2016 to 2024 in 15 Canadian ophthalmology residency programs. METHODS: We gathered publicly available information to compare match outcomes pre-virtual (2016-2019) to virtual interviews (2020-2024). Variables collected included resident names, medical school, and residency program location. Chi-squared tests were conducted to determine whether there was a significant difference in the proportion of applicants matching in the same region, province, and institution as their medical schools in pre-virtual versus virtual interview cycles. RESULTS: A total of 292 residents (88% completion rate) were identified. Home program matches were similar between the pre-virtual (51.18%) and virtual cohorts (49.70%). Same-province but different-school matches decreased slightly (18.90% pre-virtual vs 16.36% virtual), while same-region but different-province matches (6.30% vs 6.06%) were similar. Conversely, inter-regional matches increased from 23.62% pre-virtual to 27.88% virtual. Chi-squared analysis showed no statistically significant difference in geographic placement between the two groups (χ² = 0.80; p = 0.85). CONCLUSIONS: The transition to virtual interviews in Canadian ophthalmology residency programs did not significantly alter the geographic distribution of matched applicants. While concerns exist that virtual interviews might limit applicants' ability to explore programs outside their home institutions, our findings suggest that other virtual engagement methods, such as online networking, mentorship programs, and social media, may have helped maintain geographic mobility. Future studies could assess whether these trends persist over time and whether similar strategies could enhance applicant program exposure in other specialties.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».