Geographic tokenism on editorial boards: a content analysis of highly ranked communication journals
Notice bibliographique
Résumé
Abstract Purpose Research posits that the overrepresentation of certain countries from the Global North contributes to the geographical disparity in knowledge production within communication, media and journalism. Our study sets out to understand geographic tokenism in academia by analyzing the editorial boards of 30 highly ranked journals in communication, media, and journalism studies. We sought to explore if certain institutions and academics from underrepresented regions were overrepresented on journal editorial boards. Methodology We content analyzed the members of the editorial boards of 30 highly ranked communication, media and journalism studies journals. From our coded data we were able to identify the individual’s name, role on the editorial board, institutional affiliation, and country of institutional affiliation. Chi square, Pearson’s correlation, and Hierarchical linear modeling were used in analyzing our data. Findings Our study found that institutions and academics affiliated to institutions in the Global South are woefully underrepresented on journal editorial boards. On the other hand, we report an overrepresentation of a small number of institutions and scholars from the Global South across the sampled journals in instances where there is representation from the underrepresented regions on journal editorial boards. Practical implications Our results show that a journal with more diversity on editorial boards and editorial roles is associated with higher journal ranking. Social implications The social implications of our findings rests in the fact that tokenism can impede the diversity of thought that is necessary to move beyond the thorny idea of Western-centered scholarship being considered normative. Originality Whereas previous studies have analyzed editorial boards, our study is unique because it includes institutional and individual level analyses of journal editorial board members in our analysis of geographical disparities in knowledge production.
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 | 0,009 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».