Gender-inclusive writing for epidemiological research on pregnancy
Notice bibliographique
Résumé
People who have a uterus but are not cisgender women may carry pregnancies. Unfortunately, to date, academic language surrounding pregnancy remains largely (cis) woman-centric. The exclusion of gender-diverse people in the language of pregnancy research in English is pervasive. In reviewing a random sample of 500 recent articles on pregnancy or pregnant populations across health research fields, we found that only 1.2% of articles used gender-inclusive language (none of them in epidemiology), while the remaining 98.8% used (cis) woman-centric language. First and foremost, recent recommendations highlight the need to include trans, non-binary and gender-diverse people in study design. Meanwhile, there remains a lack of awareness that all research on pregnancy can contribute to inclusiveness, including in dissemination and retroactive description. We explain how the ubiquitous use of (cis) woman-centric language in pregnancy-related research contributes to (1) the erasure of gender diversity; (2) inaccurate scientific communication and (3) negative societal impacts, such as perpetuating the use of exclusionary language by students, practitioners, clinicians, policy-makers and the media. We follow with recommendations for gender-inclusive language in every section (ie, introductions, methods, results, discussions) of epidemiological articles on pregnant populations. The erasure of gender-diverse people in the rhetoric of research about pregnant people can be addressed immediately, including in the dissemination of results from ongoing studies that did not take gender diversity into consideration. This makes gender-inclusive language a crucial first step towards the inclusion of gender-diverse people in epidemiological research on pregnant people and other health research more globally.
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 | 0,108 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».