Creating Diverse and Inclusive Scientific Practices for Research Datasets and Dissemination
Notice bibliographique
Résumé
Diversity, equity, and inclusivity (DEI) are important for scientific innovation and progress. This widespread recognition has resulted in numerous initiatives for enhancing DEI in recent years. Although progress has been made to address gender and racial disparities, there remains to be biases that limit the opportunities for historically underrepresented individuals to succeed in academia. As members of the Organization for Human Brain Mapping (OHBM) Diversity and Inclusivity committee (DIC), we identified the most challenging and imminent obstacles towards improving DEI practices in the broader neuroimaging field. These obstacles include the lack of diversity in and accessibility to publicly available datasets, barriers in research dissemination, and/or barriers related to publishing. In order to increase diversity and promote equity and inclusivity in our scientific endeavors, we suggest potential solutions that are practical and actionable to overcome these barriers. We emphasize the importance of the enduring and unwavering commitment required to advance DEI initiatives consistently. By doing so, the OHBM and perhaps other neuroscience communities will strive towards a future that is not only marked by scientific excellence but also characterized by diversity, inclusivity and equitable opportunities for all including historically underrepresented individuals internationally.
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 | 0,743 | 0,827 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,023 | 0,019 |
| Études des sciences et des technologies | 0,015 | 0,025 |
| Communication savante | 0,047 | 0,041 |
| Science ouverte | 0,011 | 0,059 |
| Intégrité de la recherche | 0,020 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,017 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».