The complex chemistry of diversity and inclusion: a 30-year synthesis
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
Dr. Margaret-Ann Armour’s career as a research chemist, educator, and advocate spanned more than 40 years. Much of her work took place within a disciplinary culture ignorant of the scholarship supporting organizational change towards inclusive excellence. Her contributions are extensively covered in other articles in this special issue, and her achievements are all the more remarkable given that her colleague, Dr. Gordon Freeman, held gender-biased attitudes that he shared in a peer reviewed article in a national science journal. Three decades later, another Canadian chemist, Dr. Tomáš Hudlický, published a peer reviewed essay in an international chemistry journal that included his views on the negative impacts of diversity initiatives on organic synthesis research. Both articles were retracted, but clearly a faulty and pervasively biased peer review system enabled the distribution of prejudiced opinions that were neither informed by demonstrated expertise, nor supported by data. These two events are reflective of challenges that Dr. Armour faced in her efforts to diversify chemical sciences. We need to build on her critical work to increasing awareness about inclusive excellence in chemistry, as well as educating scientists on what constitutes an informed opinion. Here, we use Freeman and Hudlický incidents as case studies to indicate how pervasive bias can be superficially perceived as scientific scholarship. Furthermore, we use analogies of analytical processes to illustrate how talent gets systemically excluded. Finally, we provide recommendations to chemistry community members for improving outcomes in terms of synthesis of new knowledge, ideas, and solutions, toward leveraging all the available human talent and creating an environment that is both excellent and inclusive.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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