Gender disparities in National Institute of Health funding for hematologic malignancies, hematopoietic stem cell transplantation, and cellular therapeutics.
Notice bibliographique
Résumé
11020 Background: Gender inequality in research funding has been studied extensively; however, the literature lacks evidence in Hematology. We investigated trends in National Institutes of Health (NIH) funding for hematologic malignancies (HM), hematopoietic stem cell transplantation (HSCT), and cellular therapeutics (CT). Methods: The data on Hematology funding was retrieved from NIH Research Portfolio Online Reporting Tools (RePORT) Categorical Spending for fiscal years 2018 and 2019. A total of 6351 entries were reported. Only grants (n=1834) that were related to HM, HSCT, and CT were included. After excluding non-relevant, 975 principal investigators (PIs) were included in the analysis. Additional data regarding PIs was ascertained from the Scopus database, LinkedIn, Doximity, and departmental websites, including the number of publications, number of years of active research, H-index, highest degree, gender, and institution. Data were analyzed using SPSS version 21. Bivariate analyses, using chi-square and t-test, and linear regression analyses were performed. Results: In 2018 and 2019, 1834 grants totaling $799.4 million were awarded by the NIH for malignant hematology research (men 1301, 71% vs women 533, 29%). Of 975 PIs, 680 (70%) were men and 295 (30%) were women. Table highlights gender disparities in NIH funding and associated factors. Most of the grant recipients were Ph.D. or M.D./Ph.D. About 70% of total funding was awarded to male PIs. There were no gender differences in the mean number of grants and mean grant amount. Women had significantly lower years of active research and academic productivity. Conclusions: Although the gender gap in academic hematology has decreased in recent years, the latest trend suggests significant gender inequality in NIH funding for malignant hematology, transplantation, and cellular therapy.[Table: see text]
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».