Mentoring matters to early‐career veterinarians' confidence, clinical growth and career retention: A qualitative interview study
Notice bibliographique
Résumé
BACKGROUND: Veterinarians in clinical practice, especially early-career veterinarians and those identifying as women, have higher levels of negative mental health outcomes compared to the general population. Partnering with a mentor can mitigate some of the work-related challenges that may contribute to poor mental health and career attrition. Our objectives were to understand: (1) mentee veterinarians' expectations and experiences in mentorship relationships, (2) how gender identity affects mentees' expectations and experiences, and (3) the role of mentorship in mental wellbeing and career retention. METHODS: Semi-structured online interviews with 17 gender-diverse early- to mid-career veterinarians from various regions of Canada who had experience as mentees were analysed using template analysis. RESULTS: Participants described that the 'safety net' (support with clinical decision making) mentors provided helped mitigate stressful early-career experiences and aided in retention. Most participants supported a formal, more structured and consistent mentorship practice. Women in this study more commonly valued psychosocial support and advice on work‒life balance and family challenges than participating men. Mentoring styles were identified as making or breaking the mentorship experience, and many participants described complex interpersonal dynamics, including mentor resentment and competition. LIMITATIONS: Qualitative research is not generalisable, and should be considered accounting for the research context, methodology, and authors' positionality. CONCLUSION: This study highlights the importance of mentorship for early-career veterinarians' confidence, clinical growth, wellbeing and career retention, while taking into account how mentorship is delivered and by whom.
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 | 0,014 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».