Notice bibliographique
Résumé
This paper takes as its focus efforts to address particular aspects of sexist oppression and its intersections, in a particular field: it discusses reform efforts in philosophy. In recent years, there has been a growing international movement to change the way that our profession functions and is structured, in order to make it more welcoming for members of marginalized groups. One especially prominent and successful form of justification for these reform efforts has drawn on empirical data regarding implicit biases and their effects. Here, we address two concerns about these empirical data. First, critics have for some time argued that the studies drawn upon cannot give us an accurate picture of the workings of prejudice, because they ignore the intersectional nature of these phenomena. More recently, concerns have been raised about the empirical data supporting the nature and existence of implicit bias. Each of these concerns, but perhaps more commonly the latter, are thought by some to undermine reform efforts in philosophy. In this paper, we take a three-pronged approach to these claims. First, we show that the reforms can be motivated quite independently of the implicit bias data, and that many of these reforms are in fact very well suited to dealing with intersectional worries. Next, we show that in fact the empirical concerns about the implicit bias data are not nearly as problematic as some have thought. Finally, we argue that while the intersectional concerns are an immensely valuable criticism of early work on implicit bias, more recent work is starting to address these worries.
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 | 0,033 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,074 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,010 |
| 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 ».