Gender disparities in multiple myeloma publications.
Notice bibliographique
Résumé
e23000 Background: Gender disparities exist in academia and are disproportionately affecting females. We conducted a cross sectional study to analyze gender disparities in MM publications in high impact hematology/oncology journals between January 1 st , 2016 and December 31 st , 2020. Methods: Data was collected through Medline/PubMed database search. High impact journals (impact factor > 10) with at least ten MM related publications were included. Impact factor data was based on the 2016 InCites Journal Citation Report. We used Genderize, a validated database, to determine authors’ gender. Search engines were used if gender was undetermined or did not meet a cut-off of 0.9. Unclassified genders after search were excluded from analysis. Results: A total of 679 publications with 8898 authorships were analyzed. Mean number of authors for females vs. males, per publication was 4.4 and 8.7, respectively. Females constituted a third of total authors. Female first authors, corresponding authors and last/senior authors were 34%, 21% and 18%, respectively. 17% of authors of clinical trial publications were females. Publications by country had comparable percentages (30% females as first authors in the U.S. vs. 32% females as first authors in other countries). The proportion of female authorship in 2020 when compared to 2016 was similar (33%). Between 2016 and 2020, there was slight improvement in female first authors (32%-37%), last authors (16%-21%), and corresponding authors (17%-22%). Conclusions: Gender disparities in MM publications exist and are more obvious in the last/corresponding authorship in both the U.S. and other countries. Despite improvement in proportion of female authors, it remains suboptimal when compared to the growing proportion of female physicians. Efforts should be made to identify factors that contribute to these disparities and work to resolve them.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule tête enseignante, 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 ».