Impact of COVID-19 on longitudinal ophthalmology authorship gender trends
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic increased the gender gap in academic publishing. This study assesses COVID-19's impact on ophthalmology gender authorship distribution and compares the gender authorship proportion of COVID-19 ophthalmology-related articles to previous ophthalmology articles. METHODS: This cohort study includes authors listed in all publications related to ophthalmology in the COVID-19 Open Research Dataset and CDC COVID-19 research database. Articles from 65 ophthalmology journals from January to July 2020 were selected. All previous articles published in the same journals were extracted from PubMed. Gender-API determined authors' gender. RESULTS: Out of 119,457 COVID-19-related articles, we analyzed 528 ophthalmology-related articles written by 2518 authors. Women did not exceed 40% in any authorship positions and were most likely to be middle, first, and finally, last authors. The proportions of women in all authorship positions from the 2020 COVID-19 group (29.6% first, 31.5% middle, 22.1% last) are significantly lower compared to the predicted 2020 data points (37.4% first, 37.0% middle, 27.6% last) (p < .01). The gap between the proportion of female authors in COVID-19 ophthalmology research and the 2020 ophthalmology-predicted proportion (based on 2002-2019 data) is 6.1% for overall authors, 7.8% for first authors, and 5.5% for last and middle authors. The 2020 COVID-19 authorship group (1925 authors) was also compared to the 2019 group (33,049 authors) based on journal category (clinical/basic science research, general/subspecialty ophthalmology, journal impact factor). CONCLUSIONS: COVID-19 amplified the authorship gender gap in ophthalmology. When compared to previous years, there was a greater decrease in women's than men's academic productivity.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle