Equitable Student Persistence in Computing Research Through Distributed Career Mentorship
Notice bibliographique
Résumé
Google's CS Research Mentorship Program (CSRMP) cultivates pursuit and persistence in the computing research trajectory for students from historically marginalized groups through virtual career mentorship from industry professionals, a peer community, and just-in-time resources. Since 2018, 287 Google mentors have engaged 1,018 students from 247 institutions in the U.S. and Canada. The program employs socioemotional support and advocacy to navigate systemic barriers by validating students' intersectional identities in order to improve outcomes in core constructs for students: self-efficacy, sense of belonging, research skills, motivation to pursue graduate school and research careers, and intersectional capital. Evaluation outcomes from 400 matched respondents (68% response rate) indicate that CSRMP affects positive, statistically significant change in those constructs that largely persists across demographic subgroups. 80% aim to pursue computing research careers, and significantly fewer students are undecided about their future career. We were also able to identify disaggregated learnings: Black, Indigenous, and Latinx students are significantly less likely to submit to a research conference, and students from Historically Marginalized Groups (defined within) are significantly less likely to apply to a CS graduate program. We discuss key design elements of the program, how the findings are informing future iterations, and the potential for the model to scale.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».