MétaCan
Menu
Retour à la cohorte
Enregistrement W4250503452 · doi:10.32920/14668977

Gender-Heterogeneous Working Groups Produce Higher Quality Science

2021· preprint· en· W4250503452 sur OpenAlexaff
Lesley G. Campbell, Siya Mehtani, Mary E. Dozier, Janice Rinehart

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineDecision Sciences
Thématiquescientometrics and bibliometrics research
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesRice UniversityNational Science Foundation
Mots-clésGender diversityDiversity (politics)Quality (philosophy)PsychologyRepresentation (politics)Gender disparityPrincipal (computer security)Political scienceSociologyGender studiesManagementComputer science

Résumé

récupéré en direct d'OpenAlex

Here we present the first empirical evidence to support the hypothesis that a gender-heterogeneous problem-solving team generally produced journal articles perceived to be higher quality by peers than a team comprised of highly-performing individuals of the same gender. Although women were historically underrepresented as principal investigators of working groups, their frequency as PIs at the National Center for Ecological Analysis and Synthesis is now comparable to the national frequencies in biology and they are now equally qualified, in terms of their impact on the accumulation of ecological knowledge (as measured by the h-index). While women continue to be underrepresented as working group participants, peer-reviewed publications with gender-heterogeneous authorship teams received 34% more citations than publications produced by gender-uniform authorship teams. This suggests that peers citing these publications perceive publications that also happen to have gender-heterogeneous authorship teams as higher quality than publications with gender uniform authorship teams. Promoting diversity not only promotes representation and fairness but may lead to higher quality science.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,081
score de la tête « metaresearch » (Gemma)0,050
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Bibliométrie, Communication savante, Science ouverte, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche, Bibliométrie, Science ouverte
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,592
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0810,050
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0730,274
Études des sciences et des technologies0,0010,001
Communication savante0,0250,001
Science ouverte0,0120,021
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,831
Tête enseignante GPT0,620
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetscientometrics and bibliometrics researchTravaux en français237 207