Reporting Race and Ethnicity In Research Presented at the Society of Gynecologic Surgeons' Annual Meeting
Notice bibliographique
Résumé
Objective: Inclusion of minority women in gynecologic research is vital for preventing health care inequities and disparities. This research was conducted to determine how frequently race and ethnicity data were reported in oral presentations at the Society for Gynecologic Surgeons (SGS)'s annual meeting. Materials and Methods: The abstracts and articles associated with SGS oral presentations between 2016 and 2020 were reviewed. Data regarding the numbers of subjects and reported races and ethnicities were extracted from each study. The proportion of studies that reported data about race and ethnicity was calculated. The racial and ethnic distributions of subjects within the studies that reported race and ethnicity were compared to distributions in the U.S. census data. Results: The inclusion criteria were met by 72/92 available abstracts and 28/37 available, articles. Data were reported on participants' race in 10/72 (13.9%) abstracts and 21/28 (75.0%) articles. Ethnicity was reported in 3/72 (4.2%) abstracts and 14/28 (50.0 %) articles. In the abstracts and articles that did report on race, races other than White were underrepresented, compared to the U.S. population. Conclusions: Most research abstracts at SGS annual meetings did not include race or ethnicity data. SGS articles were more likely to report these data but did not represent the the U.S. population diversity accurately. (J GYNECOL SURG 38:241)
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 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 | 0,099 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».