SNO 2020 diversity survey: defining demographics, racial biases, career success metrics and a path forward for the field of neuro-oncology
Notice bibliographique
Résumé
BACKGROUND: Neuro-oncology has grown tremendously since 2010, marked by increasing society membership, specialized clinical expertise, and new journals. Yet, modest improvement in racial/ethnic diversity amongst clinical trial participants, researchers, and clinicians led us to conduct a survey to identify opportunities to enhance diversity and inclusiveness amongst neuro-oncology professionals. METHODS: In summer 2020, the Women and Diversity Committee of the Society for Neuro-Oncology (SNO) distributed an anonymous online survey to members and affiliates including the European Association of Neuro-Oncology (EANO), Asian Society for Neuro-Oncology (ASNO), Society for Neuro-Oncology Latin America (SNOLA) and Society for Neuro-Oncology Sub-Saharan Africa (SNOSSA). The survey captured personal and professional characteristics, biases, effective mentorship qualities, career service metrics, and suggested field/society changes. Results were analyzed by geography, profession, age, racial/ethnic, and sexual identity. Standard descriptive statistics characterized the study population. RESULTS: The 386 respondents were predominantly female (58%) with a median age range of 40-49 years (31%), White (65%), and SNO members (97%). Most worked in North America (77%) in a research profession (67%). A majority of White respondents reported never experiencing biases (64%), while the majority of non-White respondents reported unconscious biases/microaggressions, followed by a lack of/limited mentorship. Qualitative assessments showcased that personal/professional success metrics were linked to needed improvements in diversity and inclusion efforts within the neuro-oncology field. CONCLUSIONS: The prevalence of racial/ethnic biases and poor mentorship rates amongst underrepresented groups in neuro-oncology is high and potentially linked to the limited diverse representation amongst members and affiliates. These findings warrant a swift implementation of equity and inclusion practices within the neuro-oncology field.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».