What Can Professional Scientific Societies Do to Improve Diversity, Equity, and Inclusion: A Case Study of the American Elasmobranch Society
Notice bibliographique
Résumé
Scientific professional societies are reviewing diversity, equity, and inclusion (DEI) practices and policies in response to recent calls for much-needed change. Organizations like scientific professional societies contribute to establishing disciplinary norms, and can influence the diversity of disciplinary workforces in multiple ways through both action and inaction. This paper examines these issues using the American Elasmobranch Society (AES), a medium-sized professional scientific society, as a case study. It consists of three parts: (1) an analysis of the demographics of AES members, leaders, and award winners; (2) an evaluation of a diversity initiative created by the society which includes a survey of program alumni focusing on potential improvements to the program; and (3) a synthesis of recommendations of steps that AES and similarly sized societies can take to better support DEI goals. AES’s membership in recent years is more than half women, but 71.5% of all leadership positions in the Society’s history (including all but two Presidents) have been held by men since the society was founded in 1983. AES’s membership has significantly fewer Black/African-American members than the United States scientific workforce overall, with just 1 member out of over 400 identifying as Black in 2019, and 86.6% of Society leadership positions have been held by white-presenting members. The Society’s diversity initiative has led to some limited professional benefits for awardees, but could benefit from additional resources and support to enact suggested expansions and improvements. We provide a series of actionable recommendations that will make the annual meetings of societies like AES, and the field of chondrichthyan science, safer and more inclusive.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,026 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».