Are we failing female and racialized academics? A Canadian national survey examining the impacts of the COVID‐19 pandemic on tenure and tenure‐track faculty
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The novel coronavirus 2019 (COVID-19) pandemic caused the abrupt curtailment of on-campus research activities that amplified impacts experienced by female and racialized faculty. In this mixed-method study, we systematically and strategically unpack the impact of the shift of academic work environments to remote settings on tenured and tenure-track faculty in Canada. Our quantitative analysis demonstrated that female and racialized faculty experienced higher levels of stress, social isolation and lower well-being. Fewer women faculty felt support for health and wellness. Our qualitative data highlighted substantial gender inequities reported by female faculty such as increased caregiving burden that affected their research productivity. The most pronounced impacts were felt among pre-tenured female faculty. The present study urges university administration to take further action to support female and racialized faculty through substantial organizational change and reform. Given the disproportionate toll that female and racialized faculty experienced, we suggest a novel approach that include three dimensions of change: (1) establishing quantitative metrics to assess and evaluate pandemic-induced impact on research productivity, health and well-being, (2) coordinating collaborative responses with faculty unions across the nation to mitigate systemic inequities, and (3) strategically implementing a storytelling approach to amplify the experiences of marginalized populations such as women or racialized faculty and include those experiences as part of recommendations for change.
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.
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 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle