Evaluating the cross-disciplinary utility of anonymizing applications for scientific equipment in the Australian research sector
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Anonymizing applications for research resources has been demonstrated to reduce bias against women, early career researchers and other marginalized researchers, specifically for applications to use scientific equipment in planetary and space science research. We conducted a nationwide trial in Australia to evaluate the cross-disciplinary impacts of anonymizing applications for use of scientific equipment. The twofold purpose of the study was to examine whether disparities existed–and if so, to quantify their size and direction–and to evaluate how anonymizing applications would impact application outcomes, based on the gender and career seniority of the lead researcher. The trial involved applications to four Australian research entities managing access to national scientific facilities. Entity-specific modelling was carried out, followed by a meta-analysis to assess overall effects. Our evaluation reveals a noteworthy absence of gender and career seniority disparities in application outcomes before anonymization across most entities, with one exception where women-led applications received more resources in a specific program. The introduction of anonymization led to improved success rates for early-career researchers, while generally maintaining existing gender parity, with one entity showing improved success rates for women-led applications. The implications extend beyond funding outcomes, which represent only one piece of the puzzle contributing to inequity in STEM research. By enhancing success rates for early career researchers, anonymization may create a ripple effect by diversifying the research pool, and supporting, retaining and advancing researchers facing barriers in STEM research. Future research examining cultural, racial, and other biases is key to refining equity efforts.
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.
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 | 0,674 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,032 | 0,201 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,010 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle