Responses to 10 common criticisms of anti-racism action in STEMM
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
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.\n\n\n\nWhile 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.\n\n\n\nThis team of authors represents a collaboration between scientists from historically marginalized groups and their allies. By compiling published academic literature, we hope to directly confront racist ideology in STEMM with evidence-based arguments while simultaneously amplifying the research and perspectives of scholars of color. Our broad goal in articulating this information is to facilitate more productive conversations (and, in turn, tangible systemic changes) toward addressing racial discrimination within STEMM.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 découle