Female Authorship Trends Among Articles About Artificial Intelligence in North American Radiology Journals
Notice bibliographique
Résumé
Purpose: To examine trends in female authorship of peer-reviewed North American radiology articles centred around artificial intelligence (AI). Method: A bibliographic search was conducted for all AI-related articles published in four North American radiology journals. Collected data included the genders of the first and last (senior) authors, year and country. We compared the trends of female authorship using Pearson chi-square, Fisher exact tests and logistic regression models. Results: 453 articles met the inclusion criteria. Among these, 107 (22.3%) had a female first author and 97 (27.3%) had a female senior author. Female first authors were over three times more likely to publish with a female senior author. Among the four journals, the CARJ had the highest proportion of female senior authors at 45.5%. The only significant temporal trend identified was an increase over the years in female senior authors in Radiology. Twenty-four countries contributed to the included articles, with the largest contributors being the United States (n = 290) and Canada (n = 30). Of the countries contributing more than 15 articles, there were none with above 50% female authorship. Conclusions: Female authors are underrepresented in AI-related radiology literature. However, there has been an encouraging recent increase in female authorship in AI-related radiology articles trending towards significance. There is a great opportunity to improve female representation in AI with intentional mentorship and recruitment. We urge more platforms for female voices in radiology as AI becomes increasingly integrated into the radiology community.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,027 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».