Optimizing a mentorship program from the perspective of academic medicine leadership – a qualitative study
Notice bibliographique
Résumé
Abstract Background Effective mentorship is an important contributor to academic success. Given the critical role of leadership in fostering mentorship, this study sought to explore the perspectives of departmental leadership regarding 1) current departmental mentorship processes; and 2) crucial components of a mentorship program that would enhance the effectiveness of mentorship. Methods Department Division Directors (DDDs), Vice-Chairs, and Mentorship Facilitators from the Department of Medicine at the University of Toronto Temerty Faculty of Medicine were interviewed between April and December 2021 using a semi-structured guide. Interviews were audio-recorded and transcribed verbatim, then coded. Analysis occurred in 2 steps: 1) codes were organized to identify emergent themes; then 2) the Social Ecological Model (SEM) was applied to interpret the findings. Results Nineteen interviews (14 DDDs, 3 Vice-Chairs, and 2 Mentorship Facilitator) were completed. Analysis revealed three themes: (1) a culture of mentorship permeated the department as evidenced by rigorous mentorship processes, divisional mentorship innovations, and faculty that were keen to mentor; (2) barriers to the establishment of effective mentoring relationships existed at 3 levels: departmental, interpersonal (mentee-mentor relationships), and mentee; and (3) strengthening the culture of mentorship could entail scaling up pre-existing mentorship processes and promoting faculty engagement. Application of SEM highlighted critical program features and determined that two components of interventions (creating tools to measure mentorship outcomes and systems for mentor recognition) were potential enablers of success. Conclusions Establishing ‘mentorship outcome measures’ can incentivize and maintain relationships. By tangibly delineating departmental expectations for mentorship and creating systems that recognize mentors, these measures can contribute to a culture of mentorship.
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 | 0,016 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».