Inclusive Language in Scientific Style Guides
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
MODERATOR: Stacy L Christiansen JAMA SPEAKERS: Stacy L Christiansen Emily L Ayubi American Psychological Association Sabrina J Ashwell Chemical & Engineering News American Chemical Society Leonard Jack, Jr Preventing Chronic Disease Journal CDC REPORTER: Michele Springer Caudex Incorporating inclusive language into scientific communications helps establish respect for all people and promote inclusion. Without inclusive language, communications can perpetuate bias based on personal characteristics, background, and stereotypes. The purpose of this session was to share examples of how different organizations are incorporating inclusive language into their style guides to improve inclusivity across all communication. Stacy Christiansen opened by providing examples of how the AMA Manual of Style is incorporating inclusive language guidance. In addition to being Managing Editor for JAMA, Stacy is the Chair of the AMA Manual of Style Committee. The 9th edition of the AMA Manual of Style, published in 1988, was the first edition to provide examples of inclusive language terms, policies, and guidance. Since then, it has been updated multiple times, with the most recent updates on race and ethnicity guidance added in August 2021.1,2 Currently, the Committee is updating the sections on sex, gender, and sexual orientation. Guidance on language used to discuss age, socioeconomic status, and abilities, disabilities, conditions, and diseases will be updated in turn. Current guidance for reporting on sex and gender includes the following: “Sex” should be used when reporting biological factors; “gender” should be used when reporting gender identity or psychosocial/cultural factors. Explain methods used to obtain information on sex, gender, […]
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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 découle