Examining gender diversity growth as a model for inclusion of all underrepresented persons in medical physics
Notice bibliographique
Résumé
The labor force of Medical Physics is one of the most gender diverse in the field of Physics, as it has attained the proportional achievement of ~30% women worldwide (Tsapaki et al. Phys Medica. 2018;55:33-39). While great strides have been made toward a gender diverse workforce, women still comprise an underrepresented group. Many strategies have been suggested to increase the participation of underrepresented persons by addressing unconscious biases, increasing opportunities, dedicated hiring policies, and providing support networks in science and medicine (Barabino et al. Sci Eng Ethics. 2019; Coe et al. Lancet. 2019), yet the personnel landscape remains largely uniform. Herein, the conditions, strategies, and approaches that facilitated gender diversity in Medical Physics are considered as a means to further the inclusion of other underrepresented groups through exemplars of mentorship, addressing unconscious biases and the implementation of inclusive practices. Furthermore, the potential for gender diversity to act as a catalyst to create an environment that is more accepting of diversity and supports and encourages inclusive practices for the participation and inclusion of other underrepresented groups in Medical Physics is discussed.
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 | 0,048 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,009 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,003 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».