Approaches for Measuring Inclusive Demographics Across Youth Enjoy Science Cancer Research Training Programs
Notice bibliographique
Résumé
The National Cancer Institute's (NCI) Youth Enjoy Science Program (YES) funds initiatives to support the cancer research training and career ambitions of middle school through undergraduate students from populations underrepresented in the biomedical sciences. The program has funded 16 institutions nationally as of January 2022. Given the program's focus on increasing diversity within the cancer research workforce, demographic characteristics of YES trainees provide essential information about the populations being served and program effectiveness. Six programs formed an interest group focused on trainee demographics and surveyed all YES grantees about their demographic data practices. Fifteen programs (94%) completed the survey. Survey data were analyzed through descriptive statistics and thematic coding. Findings revealed considerable variability in programs' approach to demographic data, including which demographics were measured, how they were operationalized, and when and how the data were collected. Half of YES programs (53%) could report underrepresented populations in biomedical research among trainees using consistent definitions. Most programs described efforts to improve their demographic data practices; however, challenges remained for the vast majority. In consideration of these findings, we offer recommendations for inclusive demographic data practices to better define and retain underrepresented populations in biomedical sciences.
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 | 0,053 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».