Gender Distribution Associated With the Journal <i>Wilderness & Environmental Medicine</i>
Notice bibliographique
Résumé
INTRODUCTION: Publication and peer review are fundamental to career advancement in science and academic medicine. Studies demonstrate that women are underrepresented in science publishing. We evaluated the gender distribution of contributors to Wilderness & Environmental Medicine (WEM) from 2010 through 2019. METHODS: We extracted author data from ScienceDirect, reviewer data from the WEM Editorial Manager database, and editorial board data from journal records. Gender (female and male) was classified using automated probability-based assessment with Genderize.io software. RESULTS: A total of 2297 unique authors were published over the 10-y span, generating 3613 authorships, of which gender was classified for 96% (n=3480). Women represented 26% (n=572) of all authors, which breaks down to 22% of all, 19% of first, 28% of second, and 18% of last authorships. Women represented 20% of peer reviewers (508/2517), 20% of reviewers-in-training (19/72), and 16% of editorial board members (7/45). The proportion of female authors, first authors, and reviewers increased over time. Women received fewer invitations per reviewer than men (mean 2.1 [95% CI 2.0-2.3] vs 2.4 [95% CI 2.3-2.5]; P=0.004), accepted reviews at similar rates (mean 73 vs 71%; P=0.214), and returned reviews 1.4 d later (mean 10.4 [CI 9.5-11.3] vs 9.0 d [95% CI 8.5-9.6]; P=0.005). CONCLUSIONS: While female representation increased over the study period, women comprise a minority of WEM authors, peer reviewers, and editorial board members. Gender equity could be improved by identifying and eliminating barriers to participation, addressing any potential bias in review processes, implementing strategies to increase female-authored submissions, and increasing mentorship and training.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».