Responses to 10 common criticisms of anti-racism action in STEMM
Notice bibliographique
Résumé
The wrongful murders of Black individuals during 2020 (including George Floyd, Breonna Taylor, Ahmaud Aubery, and others), compounded by a long history of similar incidents, inspired protests around the world against racism and police brutality.The growing anti-racism movement sparked conversations within science, technology, engineering, mathematics, and medicine (STEMM) surrounding ways to combat racial bias in our respective fields.A spotlight was placed on the discriminatory history of scientific research and medical practice, as well as the problematic modern-day policies that perpetuate the lack of racial diversity and equity in STEMM.While observing and participating in recent discussions about the racism that pervades institutions, departments, and scientific discourse, we have noticed a set of standard arguments against anti-racism action within STEMM.Ten of these arguments are laid out in this manuscript and paired with evidence-based counterarguments.Notably, while this manuscript is primarily centered around a United States perspective, most of our arguments and suggested actions remain applicable to other countries as well.It is crucial for a STEMM anti-racism movement to extend beyond national borders, reflecting the international nature of scientific research and collaboration.This team of authors represents a collaboration between scientists from historically marginalized groups and their allies.By compiling published academic literature, we hope to directly
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 | 0,050 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,021 | 0,027 |
| Communication savante | 0,015 | 0,008 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,025 | 0,034 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».