MétaCan
Menu
Retour à la cohorte
Enregistrement W4292092579 · doi:10.1145/3550487

Using Discrimination Response Ideation to Uncover Student Attitudes about Diversity and Inclusion in Computer Science

2022· article· en· W4292092579 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueACM Transactions on Computing Education · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGender and Technology in Education
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésRacismDiversity (politics)Inclusion (mineral)AmbiguityPsychologyEthnic groupSocial psychologyField (mathematics)Mathematics educationSociologyComputer science

Résumé

récupéré en direct d'OpenAlex

Helping students learn to identify and respond to situations involving discrimination is important, especially in fields like Computer Science where there is evidence of an unwelcoming climate that disproportionately drives underrepresented students out of the field. While students should not be considered responsible for fixing issues around discrimination in their institutions, they do have a role to play. In this paper, we present the results of a study in which 318 undergraduate computer science majors were presented with scenarios of discrimination and asked to identify the issues, rate the severity of the issues, and ideate 3–5 responses to address the described situations. They were also asked to identify which of their responses would likely be most effective in addressing discrimination and which of their responses they would be most likely to use if they were in the situation described in real life. Our results show that while students generally are able to identify various forms of discrimination (sexism, racism, religious discrimination, ethnic discrimination, etc.), any ambiguity in a scenario led to students describing the scenario as less severe and/or as an example of oversensitivity. We also show that students come up with many passive responses to scenarios of discrimination (such as ignoring the situation or wishing it had not happened in the first place). Students in our study were more likely to say they would deploy passive responses in real life, shying away from responses that involve direct confrontation. We observed some differences between student demographic subgroups. Women and BIPOC students in CS tend to think these issues are more severe than men and White and Asian students in CS. Women are more likely to ideate direct confrontation responses and report willingness to use direct confrontation responses in real situations. Our work contributes a methodology for examining student awareness and understanding of diversity issues as well as a demonstration that undergraduate computer science students need help in learning how to address common situations that involve either intentional or unintentional discrimination in an academic environment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,914
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0120,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,396
Écart entre enseignants0,343 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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