Diversity and Political Leaning: Considerations for Epidemiology
Notice bibliographique
Résumé
The positive effects of increased diversity and inclusion in scientific research and practice are well documented. In this issue, DeVilbiss et al. (Am J Epidemiol. 2020;189(10):998-1010) present findings from a survey used to collect information to characterize diversity among epidemiologists and perceptions of inclusion in the epidemiologic profession. They capture identity across a range of personal characteristics, including race, gender, socioeconomic background, sexual orientation, religion, and political leaning. In this commentary, we assert that the inclusion of political leaning as an axis of identity alongside the others undermines the larger project of promoting diversity and inclusion in the profession and is symptomatic of the movement for "ideological diversity" in higher education. We identify why political leaning is not an appropriate metric of diversity and detail why prioritizing ideological diversity counterintuitively can work against equity building initiatives. As an alternative to ideological diversity, we propose that epidemiologists take up an existing framework for research and practice that centers the voices and perspectives of historically marginalized populations in epidemiologic work.
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 | 0,023 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,010 |
| Communication savante | 0,015 | 0,011 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,032 | 0,044 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».