Intersectional inequalities of representation and research topics in science
Notice bibliographique
Résumé
The scientific workforce of the United States is mostly composed of white men. Barriers to entry and participation have been well-studied. However, few have adopted an intersectional perspective to examine the consequences of these inequalities in scientific knowledge. In this work, a large-scale bibliometric analysis is provided on the relationship between intersectional identities, research topics, and scientific impact. Using the Web of Science bibliometric database for US publications between 2008 and 2019, an analysis of over and underrepresentation of different racial and gender identities was conducted, as well as their distribution across different disciplines. The findings reveal a marked underrepresentation of women and marginalized racial groups (Latinxs and Black individuals), with women from these identities being the most affected. Additionally, an asymmetric distribution of racial and gender identities across disciplines is observed, with a notable underrepresentation of women in areas such as Physics, Mathematics, and Engineering. Subsequently, the analysis is deepened by modeling research topics in the Social Sciences and Health. The results show that women tend to publish more in topics such as education, nursing, and gender-based violence, while Black authors are overrepresented in studies on racial discrimination and Latinxs in migration and topics related to Latinx bodies. This distribution in different research topics is in turn related to the academic impact each topic entails. Topics where privileged groups are overrepresented are also the most cited on average, while marginalized groups tend to receive fewer citations in all topics.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».