Using Artificial Intelligence (AI) to Implement Diversity, Equity and Inclusion (DEI) into Marketing Materials: The ‘CONSIDER’ Framework
Notice bibliographique
Résumé
Diversity, equity and inclusion (DEI) in marketing– defined as the composition of an organisation’s marketing reflects diverse, equitable representation of its consumer base, especially with respect to the use of inclusive, bias-free imagery, language and messaging among underrepresented, underserved and marginalised consumer segments – has led to the advancement of AI-enabled technologies to aid marketers improve the DEI of their marketing materials. To ensure DEI marketing strategies are fully considered and that the use of AI is implemented effectively, we suggest marketers to utilise our CONSIDER framework (comprehend current state, operationalise with openness, nurture dynamic relevance, set standards, involve stakeholders, diversify data, elevate literacy and regular monitoring). We then highlight the pros and cons for using AI to implement DEI into marketing materials and provide several AI-enabled metrics (accessibility, allyship, cultural sensitivity, diversity, gender parity, inclusivity intersectionality and representation) that offer a more objective and quantitative approach for marketers to assess how well they are meeting their DEI goals and identifying gaps in representation to make changes to improve the DEI of their marketing materials.
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 | 0,032 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,032 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».