Disparate participation by gender of conference attendants in scientific discussions
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
One important metric of a radiologist's visibility and influence is their ability to participate in discussion within their community. The goal of our study was to compare the participation level of men and women in scientific discussions at the annual meeting of the Radiological Society of North America (RSNA). Eleven volunteers collected participation data by gender in 59 sessions (286 presentations) at the 2018 RSNA meeting. Data was analyzed using a combination of Chi-squared, paired Wilcoxon signed-rank and T-test. Of all RSNA professional attendees at the RSNA, 68% were men and 32% were women. Of the 2869 presentations listed in the program, 65% were presented by men and 35% were presented by women. Of the 286 presentations in our sample, 177 (61.8%) were presented by men and 109 (38.1%) were presented by women. Of these 286 presentations, 81 (63%) were moderated by men and 47 (37%) were moderated by women. From the audience, 190 male attendees participated in 134 question-and-answer (Q&A) sessions following presentations and 58 female attendees participated in 52 Q&A sessions (P<0.001). Female attendees who did participate in Q&A sessions talked for a significantly shorter period of time (mean 7.14 ± 17.7 seconds, median 0) compared to male attendees (28.7 ± 29.6 seconds, median 16; P<0.001). Overall, our findings demonstrate that women participated less than men in the Q&A sessions at RSNA 2018, and talked for a shorter period of time. The fact that women were outnumbered among their male peers may explain the difference in behavior by gender.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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