Implicit bias, women surgeons and institutional solutions: commentary
Notice bibliographique
Résumé
This paper argues that a major contribution to women’s under-representation and the gender pay gap in surgery is the interaction and aggregation of many small wrongs, or as they have come to be called in the literature, microinequities. Further, the paper argues that existing strategies do not adequately address the problems faced by women surgeons and cannot do so without an understanding of those wrongs as microinequities. Insights from the literature on ethics and microinequities are thought to be able to inform new strategies.1 The study identifies four different kinds of gender bias: workplace discrimination, epistemic injustice, stereotyped roles and objectification. The different kinds of gender bias interact with one another and add up in ways that pose serious setbacks to the careers of women surgeons. In addition to being small wrongs, microinequities share other features. They are cumulative; they interact with one other; they are often invisible; and they are implicit or unintended. My comments are going to focus on the response to microinequities, …
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 | 0,021 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,018 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,009 | 0,006 |
| Intégrité de la recherche | 0,090 | 0,070 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».