Advancing Sexual Harassment Prevention and Elimination in the Sciences: “Every ... Health Organization Must Do Something Similar”
Notice bibliographique
Résumé
BACKGROUND: Sexual harassment is pervasive in science. A 2018 report found that the prevalence of sexual harassment in academia in the United States is 58%. An activity held at an international scientific congress was designed to advance sexual harassment prevention and elimination and empower binary and nonbinary persons at risk for harassment, discrimination, and violence. The objective is to describe the activity and outcomes to provide a promising model for other scientific communities. METHODS: A description of the plenary and key components as well as the data collection and analysis of selected outcomes are provided. RESULTS: Among 1338 congress participants from 61 countries, 526 (39%) attended the #MeToo plenary, and the majority engaged in some way during the plenary session. Engagement included standing for the pledge (~85%), participating in the question and answer session (n = 5), seeking counseling (n = 3), and/or providing written post-it comments (n = 96). Respondents to a postcongress survey (n = 388 [24% of all attendees]) ranked the plenary as number 1 among 14 congressional plenaries. In postanalysis, the written post-it comments were sorted into 14 themes within 6 domains, including: (1) emotional responses, (2) barriers to speaking out, (3) public health priorities, (4) reframing narratives about the issue, (5) allyship, and (6) moving the issue forward. CONCLUSIONS: Scientific organizations, agencies, and institutions have an important role to play in setting norms and changing enabling policies toward a zero-tolerance culture of sexual harassment. The activity presented offers a promising model for scientific communities with similar goals. The outcomes suggest that the plenary successfully engaged participants and had a measurable impact on the participants.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».