Influence of speaker's gender on speaker introductions at the 2018 <scp>ACVS</scp> Surgical Summit
Notice bibliographique
Résumé
OBJECTIVE: To evaluate whether formality of introduction differed between male vs female speakers at the 2018 American College of Veterinary Surgeons (ACVS) scientific meeting and identify other variables that predisposed introducers or chairs to informal introduction. STUDY DESIGN: Observational study. SAMPLE POPULATION: Thirteen session chairs introducing 68 lectures (41 by females, 27 by males) by 63 speakers. METHODS: Observers recorded the session introducer, speaker, and whether speakers were introduced with a formal or informal title. Information evaluated included type of oral presentation; introducer gender, year, and country of graduation from veterinary school; speaker gender; whether the speaker was a resident; and speaker's year of graduation. RESULTS: Female speakers were introduced by their first name in 9 of 41 introductions compared to in 1 of 27 introductions for male speakers. This difference reached statistical significance when data independence was assumed (P = .043); however, this significance was narrowly lost when data clustering on session introducer was controlled for (P = .067). CONCLUSION: In this study, female speakers were more likely than male speakers to be introduced by their first and last names rather than with their professional title at a recent ACVS scientific meeting. IMPACT: Additional research is required to determine the effect of this type of subordinate language and gender bias in veterinary surgery.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».