A Look in the Mirror: How the Field of Behavior Analysis Can Become Anti-Racist
Notice bibliographique
Résumé
Sparked by recent events, discussions of systemic racism and racial inequalities have been pushed to the foreground of our global society, leading to what is being called the largest modern-day civil rights movement (Buchanan et al., 2020). In the past, Black, Indigenous, and People of Color (BIPOC) activists and scholars, amongst others, have evaluated and critiqued systems and organizations within our society. Nonetheless, it was not until recently that this movement was truly noticed by a greater number of people, some of whom are now further assessing how BIPOC are viewed and treated within their organization and by society as a whole (Worland, 2020). This is not only due to the increase in video evidence (e.g., released body cam footage, social media postings), but also to the previous administration’s rhetoric and political agenda (Hubler & Bosman, 2021). Police departments, educational institutions, and large companies have, for decades, been under scrutiny for their systems and practices that promote racism, inequality, and inequity. The field of behavior analysis, with its Eurocentric roots and observed lack of diversity, equity, and inclusion, is not exempt from such evaluations. It is time that we take a look in the mirror and evaluate our own professional, research, educational, and clinical practices, and work towards creating a new, more inclusive, field of behavior analysis that promotes anti-racism and cultural humility.
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 | 0,111 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,003 |
| Études des sciences et des technologies | 0,018 | 0,105 |
| Communication savante | 0,035 | 0,050 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,018 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».