Addressing inequities in research for early to mid-career women scientists in low- and middle-income countries: “Supporting Women in Science” programme
Notice bibliographique
Résumé
Introduction: The gender disparities and inequities faced by women in academia are widespread, especially in low- and middle-income countries (LMICs). The scholarly output of women scientists remains significantly lower than that of men due to limited opportunities. This widening gap has significant implications for policy-making and prioritizing agendas. The Supporting Women in Science (SWIS) programme aims to address these barriers by enhancing research capacity among early- and mid-career women scientists from LMIC regions such as South-Central Asia and East Africa, in bespoke areas of health and health-related sustainable development goals (HHSDGs). Methods: The SWIS programme utilizes online and distance learning with a self-paced approach. Applications are accepted on a rolling basis, through a pre-defined eligibility criterion. Phase I involves online self-learning courses covering a core and elective curriculum over 6 months which is then evaluated in Phase II. Eligible candidates then move to Phase III, a mentored fellowship where they develop research proposals and receive funding for research project development, implementation, and evaluation. The rigorous reporting and monitoring mechanisms track compliance and progress. The online format, offered at no cost, enhances program accessibility, particularly in the post-COVID era. Additionally, SWIS prioritizes mentorship by selecting experienced professionals with strong research backgrounds and mentorship skills to guide participants. The programme evaluation will be based on selected success metrics including program completion ratio, funding opportunities availed by the participants, and generated scholarly output and presentations at key events. Discussion and conclusion: Securing grant funding is pivotal for career advancement, yet women applicants face greater challenges as compared to men. The SWIS programme not only equips participants with knowledge and skills but also facilitates practical application through a simulated process, enabling participants to pursue future funding opportunities. Capacity-building initiatives like SWIS are crucial interventions to empower women scientists, foster equitable representation in academia, and create inclusive research environments and the programme acts as a steppingstone for future global leaders.
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 | 0,016 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 ».