Advancing quantitative intersectionality research methods: Intracategorical and intercategorical approaches to shared and differential constructs
Notice bibliographique
Résumé
A range of methods have recently been proposed for incorporating intersectionality theoretical frameworks into quantitative research methodology. We published a pair of articles on methods for intercategorical intersectionality, in which we distinguished analytic from descriptive studies, identified causal mediation decomposition methods as an appropriate strategy for analytic intercategorical intersectionality, and introduced and validated a group of three new measures of major, day-to-day, and anticipated discrimination for use in intercategorical analysis (Bauer and Scheim, 2019; Scheim and Bauer, 2019). We respond to points raised in four invited commentaries on our original pair of articles-by Evans (2019); Jackson and VanderWeele (2019); Harnois and Bastos (2019); and Richman and Zucker (2019). We discuss differential constructs, which represent those that exist only for those at particular intersections, or for which meanings vary across intersections. Whereas such constructs may be studied intracategorically, in intercategorical studies they place limits on both the types of measures that may be used and the statistical analyses that can be conducted. Most quantitative intersectionality methods work has therefore focused on intracategorical measures, but intercategorical analyses. We present a preliminary agenda for continued methods development in quantitative intersectionality methods.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| 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) | 0,001 | 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 ».