The impact of gender on scientific writing: An observational study of grant proposals
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to determine whether there are differences in the language used in grant applications submitted to a Southern Brazil Research Support Foundation (FAPERGS) according to the gender, career stage, and the number of publications of applicants. STUDY DESIGN AND SETTING: This observational study also evaluated the relationship between gender, career stage, curriculum, and writing characteristics. Summaries of all research proposals in the biomedical field of FAPERGS during the years of 2013 and 2014 were evaluated according to six language patterns (Positive emotions, Negative emotions, Analytic thinking, Clout, Authenticity, and Emotional tone) defined by the LIWC software. Applicant's gender, career stage, and the number of publications were also collected. RESULTS: Three hundred and forty-four (344) grant proposals met the inclusion criteria and were included in the analysis. No statistical differences were observed in the language pattern used by different gender applicants. In the language used by successful and unsuccessful applicants, we only found a small difference for clout (score 54.5 for not funded and 56.5 for funded grants). However, the principal investigators of successful applications had a significantly higher number of papers published (mean number of papers: 104 versus 58.5). CONCLUSIONS: Gender bias appears to be a more complex problem than just the type of language used; the way society is organized causes several gender biases that may be reflected throughout the women's career.
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 | 0,371 | 0,719 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,007 | 0,033 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».