Gender and Geographical Representation on Editorial Board Members of Medical Informatics Journals
Notice bibliographique
Résumé
Previous work has suggested that gender and geographical distribution (affiliation) of Editors-in-Chief (EiC) and Editorial Board (EB) members are inequitable in representation of scientific communities, and could benefit from increasing diversity of representation. Specifically, previous studies suggest that male and ethnically white (or non-minoritized groups) are overrepresented. Such differences in representation may potentially influence the scientific and scholarly record. This paper aims to build on pre-existing literature by examining the diversity of representation among EiCs and EB members in the top (Q1) journals in the "Medicine-Health Informatics" category (ranked by SCImago Journal and Country Rank, or SJR) in terms of gender as assessed by genderize.io) and geographical distribution of affiliations. Preliminary findings are consistent with those of previous work on the topic: only 25% (8/32) of the EiCs in the selected journals are female, while females only represent 32.7% (426/1303) of the EB members across journals. Furthermore, the US is highly represented in EBs, with more than half of the members, i.e., 52.2% (698/1337), being US-affiliated. Present results suggest the need for an intentional approach to diversifying representation on editorial boards of medical informatics journals. Such intention can be seen as part of a call to action from important stakeholders, including medical informatics leaders and programs, journal management and publishers, and the medical informatics and scientific community more generally.
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 | 0,008 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».