The current state of integrating equity, diversity and inclusion into knowledge mobilization: a systematic literature review
Notice bibliographique
Résumé
Purpose The purpose of this paper is to systematically review and analyze the academic literature on integrating equity, diversity, and inclusion (EDI) into knowledge mobilization (KMb). Design/methodology/approach This systematic literature review of the body of scholarly literature published on integrating EDI with KMb follows established methods and protocols proposed by Popay et al. (2006) and Page et al. (2021). Using a relevant keyword string, a search was conducted in ProQuest and SCOPUS to find peer-reviewed articles, which were then screened using predetermined inclusion and exclusion criteria. Finally, inductive and deductive analyses were conducted on the selected articles. Findings The findings suggest that most of the authors are based in the Global North, the majority of literature was published in the last two years, and that it is conceptual. This synthesis highlights five solution-oriented themes: acknowledging inherent bias, centering marginalized groups, promoting responsible knowledge mobilization, establishing partnerships, and advocating for transformational and systemic change. This study also identifies four broad barriers: inherent, unconscious, and implicit biases, a lack of evidence-based best practices, siloing of research and information, and a lack of institutional support and resources. Findings also highlight the value of further research into barriers, gaps and opportunities. Originality/value By studying the intersection of EDI and KMb, this contemporary synthesis of the state of the field presents opportunities for future research into gaps, barriers and potential solutions.
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 | 0,005 | 0,000 |
| 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 | 0,017 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,118 |
| 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 ».