Using Onomastics to Inform Diversity Initiatives
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
In multiracial societies, the diversity of names in the workforce may reflect racial inclusivity. There is scant data on racial representation among Canadian physicians, prompting our analysis of naming diversity. We profiled the race and gender demographics of the names of physicians in Canadian academic radiology departments. Further, we devised a structured classification methodology using a commercial artificial intelligence and naming database to classify 1,727 names according to national origin and gender. The names were retrieved from faculty websites. A Z-test of proportions was used to compare radiologists’ name demographics to demographics from the 2016 Canadian census. In close agreement with much of the literature on gender demographics, 31.99% of names were classified as female. Names that were classified as belonging to Indigenous, Black, Latin American, and Filipino name-bearers were underrepresented. Names classified as belonging to the following groups were overrepresented: South Asian, Chinese, Arab, Southeast Asian, West Asian, and Korean. Names associated with White subjects in the corpus were proportionally represented for full names and overrepresented for given names. Faculty with full names classified as Southeast Asian, Korean, and Chinese often had given names that fell into the White category. The structured methodology showed high inter-rater reliability for race classifications. The racial disparities we observed mirrored those found in surveys of medical students, suggesting that the bottleneck occurs at the level of medical school admissions. Thus, onomastics can provide valuable data to diversity initiatives.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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