Strategies for and Barriers to Collaboratively Developing Anti‐Racist Policies and Resources as Described by Geoscientists of Color Participating in the Unlearning Racism in Geoscience (URGE) Program
Notice bibliographique
Résumé
Abstract The Unlearning Racism in Geosciences (URGE) program guides groups of geoscientists as they draft, implement, and assess anti‐racist policies and resources for their workplace. Some participating Geoscientists of Color (GoC) shared concerns about microaggression, tokenism, and power struggles within their groups. These reports led us to collect and analyze data that describe the experiences of GoC in URGE. The data are from five discussion groups and two surveys. Our analyses revealed that participating GoC want to continue working with White colleagues on anti‐racist work. GoC want White colleagues not to shy away from doing anti‐racist work. Instead, GoC want White colleagues (a) to create and adhere to robust behavioral codes of conduct, (b) to focus discussions on anti‐racism, (c) to act on anti‐racism initiatives, (d) not to prompt GoC to educate them or reveal trauma, and (e) to refrain from microaggressions and tokenism. These desired outcomes were achieved in some groups with varying degrees of success. Correcting a history of mistrust relating to racism and anti‐racism action is key to implementing and assessing effective anti‐racist policies and resources. This requires leadership support, following through on anti‐racism action, and deepening relationships between GoC and White colleagues. Future anti‐racist programs should spend a substantial amount of time on and demonstrate the importance of training participants how to discuss racism effectively and how to create and adhere to robust behavioral codes of conduct. Future programs should also explore developing a robust program‐wide code of conduct that includes a policy for reporting offenses.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».