Uncovering gaps in women's authorship: A big data analysis in academic surgery
Notice bibliographique
Résumé
INTRODUCTION: Women are underrepresented in surgical authorship. Using big data analyses, we aimed to investigate women's representation as first and last authors in surgical publications worldwide and identify underlying predictors. METHODS: We retrieved eligible surgical journals using Scimago Journal & Country Rank 2021. We queried articles indexed in PubMed from selected journals published between January 2018 and April 2022. We used the EDirect tool to extract bibliometric data, including first and last authors' names, primary affiliation country, and publication year. Countries and dependent territories were classified following World Bank income levels and regions. Women's representation was predicted from forenames using the Gender-API software. Citations were included if gender accuracy was ≥80%. RESULTS: We analyzed 210,853 citations containing both first and last authors' forenames, representing 158 countries and 14 territories. Women constituted 23.8% (50,161/210,853) of the first and 14.7% (31,069/210,853) of the last authors. High-income economies had more women as first authors than other income categories (p < 0.001), but fewer women as last authors than upper-middle- and lower-middle-income economies (p < 0.001). The odds of the first author being a woman were more than three times higher when the last author was also a woman (OR 3.21, 95% CI 3.13-3.30) and vice versa (OR 3.25, 95% CI 3.16-3.34) after adjusting for income level and publication year. CONCLUSIONS: Women remain globally underrepresented in surgical authorship. Our findings urge concerted global efforts to overcome identified disparities.
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 | 0,023 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».