Incorporating equity, diversity, and inclusion in science: Lessons learned from an undergraduate seminar
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
Abstract Questions of equity, diversity, and inclusion in the sciences have taken center stage in light of the COVID‐19 pandemic and Black Lives Matter movement of 2020. This paper focuses on the experiences of academics engaging in such work, particularly in their roles as educators, by sharing two of the authors' experiences introducing equity, diversity, and inclusion initiatives in a first‐year science course at a Canadian university. Using critical research methodologies like narrative inquiry and memory work, we look at three separate instances where complex personal, institutional and course attributes fostered, allowed, or hindered efforts to bring these initiatives into the classroom. We consider how problematic incidents and obstacles relating to the organization of content on equity, diversity, and inclusion in science cropped up during the process, how they were perceived and handled in the moment, as well as the authors' reflections, takeaways, and lessons learned from the experience. These stories suggest that efforts to center discussions about equity, diversity, and inclusion in undergraduate science classrooms can be unpredictable and complex, particularly at the day‐to‐day level; this is especially the case when handling subtler microaggressions rather than clear instances of discrimination or harassment. Our study points to the importance of creating a more permanent institutional memory for initiatives that outlive those who initiated and organized them, so that they become embedded within the culture of a course or department.
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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,031 | 0,003 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,025 |
| 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 découle