Enhancing disciplinary diversity and inclusion in conservation science and practice based on a case study of the Society for Conservation Biology
Notice bibliographique
Résumé
Effective conservation requires a variety of perspectives that center on different ways of knowing. Disciplinary diversity and inclusion (DDI) offers an important means of integrating different ways of knowing into pressing conservation challenges. However, DDI means more than multiple disciplinary approaches to conservation; cognitive diversity and epistemic justice are key. In 2020, the Disciplinary Inclusion Task Force was formed via a grassroots movement of the Society for Conservation Biology (SCB) to assess the extent of DDI and to chart a path to increase DDI. First, we assessed past and present SCB governance documents. Next, we surveyed current SCB members (n = 577). Finally, we surveyed nonmember conservationists (n = 213). Members who were not biological scientists perceived SCB as less diverse (21.4% vs. 16%) and not equitable (21.8% vs. 161%), and, although the majority (44) of nonmembers reported that their work aligned reasonably well with the mission of the SCB, they thought the organization focused on biological sciences. Despite SCB's mission to be diverse and inclusive, realizing this mission will likely require diverse epistemological perspectives and shifting from top-down models of knowledge transfer. In centering on DDI, SCB can achieve its aspirations of connecting members across disciplines and ways of knowing to foster diverse perspectives and practices. We recommend that SCB and other organizations develop mechanisms to increase recruitment and retention of diverse members and leadership as well as expand strategic partnerships to flatten disciplinary hierarchies and promote inclusivity.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| 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 ».