(Not So) Lost in Translation: Considering the GA4GH Diversity in Datasets Policy in the Japanese Context
Notice bibliographique
Résumé
The genomics community has long acknowledged the lack of diversity in datasets used for research, prompting various stakeholders to confront this issue. In response, the Global Alliance for Genomics and Health (GA4GH) formulated a policy framework that recognizes the multiplicity of perspectives on diversity and proposed a systemic approach for more optimal data diversity. Given the importance of the research context, assessing this policy's applicability within countries where diversity is less discussed is important. This study investigated the feasibility of implementing the GA4GH policy in Japan, a nation with a smaller genetic diversity than many Western countries. As the proportion of East Asian genomic research is limited internationally, focusing on the Japanese genome contributes to enhancing diversity. Meanwhile, labelling findings as "Japanese" can inadvertently reinforce perceptions of homogeneity and overlook ethnic minorities. Regions and socioeconomic status are also recognized as substantial factors of diversity within academia, yet concerns persist among the public regarding the heritability of stigmatized conditions. Social inclusion of sexual minorities has begun in Japan, but research surveys generally still use binary sex and gender categories, which underscores the need for additional variables. This study found that both academia and the public need to confront the overemphasis on homogeneity within Japanese society and hesitancy in addressing genetic factors. By doing so, more inclusive and diverse datasets can advance the field both ethically and scientifically. Perhaps the most important impact of the GA4GH policy will be to draw greater attention to the complex diversity challenges ahead in Japan.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».