Clinical neuropsychology in Canada: results from the 2020 AACN, NAN, SCN professional practice and “salary survey”
Notice bibliographique
Résumé
<b>Objective:</b> The current study summarizes the results of a 2020 survey that solicited information regarding backgrounds, beliefs, practices, and incomes of clinical neuropsychologists who practice in Canada. <b>Methods:</b> Clinical neuropsychologists who practice in Canada were invited to participate in an online survey that was available from 1/17/20 to 4/02/20. Available survey findings were obtained from 111 respondents, which reflects a response rate of 51.3% of the 216 doctoral-level Canadian neuropsychologists identified in at least one major North American or international professional organization membership list (AACN, INS, NAN, or SCN). <b>Results:</b> Most of the current respondents were White/Caucasian women who identified as adult providers and worked full-time in urban institutional settings. Four Canadian provinces (Alberta, British Columbia, Ontario, Quebec) accounted for more than 91% of the current respondent sample. Incomes and career satisfactions were largely encouraging, though some important variations were noted by province, work setting, and professional identity. Incomes were significantly associated with forensic practices and years of clinical experience. Most respondents made use of technician support in their practices, largely to increase productivity and patient volume. Only a small minority of respondents were board-certified and there was generally limited interest in future board certification. <b>Conclusions:</b> While important similarities were observed in the current Canadian sample relative to recent survey findings obtained in a U.S. sample, results also reveal a number of important differences that serve as important areas of future consideration.
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 | 0,022 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,001 |
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 ».