Sustaining Clinical Academic Leadership and Excellence (SCALE): protocol for a mixed‑methods international consensus
Notice bibliographique
Résumé
<ns3:p>Introduction Clinical academics drive research, education, and innovation in health care, yet global reports highlight attrition, funding instability, and under-representation of primary care and community-based disciplines. Despite recognition of the problem, there is no internationally endorsed, prioritised strategy to strengthen this workforce. Objective The SCALE (Sustaining Clinical Academic Leadership and Excellence) study aims to develop a stakeholder-driven consensus statement that identifies and ranks actionable strategies to attract, retain, and advance clinical academics across specialties and career stages. Methods SCALE adopts a four-stage, mixed-methods approach: (1) a rapid scoping review of literature published since 2015; (2) an ethics-approved, REDCap-based pre-workshop survey gathering international stakeholders' ratings of draft statements and free-text feedback; (3) a Nominal Group Technique (NGT) session at the 2025 International Conference on Residency Education (ICRE) in Québec City with 18–22 purposively selected participants; and (4) a single-round electronic Delphi to validate and, where needed, refine the consensus outputs among the wider survey cohort. Consensus is pre-defined as a median rating ≥7 and an interquartile range ≤2 on a 1–9 importance scale. Quantitative data will be analysed descriptively; qualitative data will undergo reflexive thematic analysis. Reporting will align with ACCORD and CREDES guidelines. Impact This work will generate a globally relevant, context-sensitive roadmap to support clinical academic careers, with an emphasis on primary care and underrepresented disciplines.</ns3:p>
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 | 0,029 | 0,007 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».