Gender Disparities in Authorships and Citations in Transplantation Research
Notice bibliographique
Résumé
Background. Over the past decades, there has been a rapid change in the gender ratio of medical doctors, whereas gender differences in academia remain apparent. In transplantation research, a field already understaffed with female doctors and researchers, there is little published data on the development in proportion, citations, and funding of female researchers over the past years. Methods. To evaluate the academic impact of female doctors in transplantation research, we conducted a bibliometric analysis (01 January 1999 to 31 December 2018) of high-impact scientific publications, subsequent citations, and funding in this field. Web of Science data was used in combination with software R-Package “Gender,” to predict gender by first names. Results. For this study, 15 498 (36.2% female; 63.8% male) first and 13 345 (30.2% female; 69.8% male) last author gender matches were identified. An increase in the percentage of female first and last authors is seen in the period 1999–2018, with clear differences between countries (55.1% female authors in The Netherlands versus 13.1% in Japan, for example). When stratifying publications based on the number of citations, a decline was seen in the percentage of female authors, from 34.6%–30.7% in the first group (≤10 citations) to 20.8%–23.2% in the fifth group (>200 citations), for first (P < 0.001) and last (P = 0.014) authors, respectively. From all first author name-gender matches, 6574 (41.6% female; 58.4% male, P < 0.001) publications reported external funding, with 823 (35.5% female; 64.5% male, P = 0.701) reported funding by pharmaceutical companies and 1266 (36.6% female; 63.4% male, P < 0.001) reporting funding by the National Institutes of Health. Conclusions. This is the first analysis of gender bias in scientific publications, subsequent citations, and funding in transplantation research. We show ongoing differences between male and female authors in citation rates and rewarded funding in this field. This requires an active approach to increase female representation in research reporting and funding rewarding.
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 | 0,007 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».