Embrace your discomfort: leadership and unconscious bias in sport and exercise medicine
Notice bibliographique
Résumé
Unconscious bias is present at all levels of society. It exists within our Sport and Exercise Medicine (SEM) community and is detrimental to the specialty and those it serves. Many may be unaware of how unconscious bias has impacted their career trajectory, and that of their peers. This editorial explores the concept of unconscious bias and prompts actions to initiate meaningful change. The human brain is complex, programmed to make quick judgements about people and situations based on visual, verbal and behavioural cues.1 Over time, unconscious pathways form between these cues and how we judge them, gaining strength with each unchallenged repetition. These habituated norms can leave us feeling unsettled when we experience something outside of our expectations. This is referred to as unconscious bias, a consequence of learnt stereotypes deeply ingrained within our beliefs, influencing the way we automatically and subconsciously engage with people and situations. The nature of our individual bias is nurtured from childhood through cultural conditioning, media portrayals and upbringing.2 ### Issues of unconscious bias in SEM While conscious bias has created, and overtly contributes to, many of society’s inequalities, unconscious bias is covert, overlooked and too often unaddressed. Unconscious bias has perpetuated inequality resulting in certain groups having fewer rights, privileges and less power than others.3 It is ubiquitous, and the implications within SEM communities are significant, resulting in …
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».