Transplanting Change: The Slow Progress of Gender Equity in Editorial Leadership
Notice bibliographique
Résumé
Purpose: To understand the infl uence of several factors on potential donors' willingness to be evaluated for living donation, and how they diff er across demographic characteristics (race/ethnicity, age, and sex). Methods:We analyze survey data fi elded to relatives of kidney disease patients recruited through an online survey panel, capturing realistic potential living kidney donors regardless of donation behaviors.The percentage reporting each reason making them more likely or less likely to donate, overall and by demographic characteristics, will be reported.The association of these reasons with concrete living donation behaviors will also be tested.Results: Reasons related to the respondent's relationship (76.3% salient) with the patient and the respondent's expectation of a successful or worthwhile process (likelihood of matching [67.9%] and own current health status [71.3%]) were the most salient, meaning they were tied to increased or decreased willingness.In contrast, fi nancial reasons showed low salience (3).We fi nd substantial diff erences in the reactions to specifi c reasons by racial/ethnic identifi cation, age group, and sex.Finally, belonging to a salient category (more or less likely) was associated with the count of actions taken to pursue kidney donation for only certain reasons, indicating that consideration of some reasons (particularly an individual's own health status) may have a stronger association with actual LDKT pursuit.Conclusions: While fi nancial and religious reasons have been the focus of federal policy and existing literature, respectively, we fi nd that these reasons have comparatively low salience.In contrast, potential donors' relationship with the patient are much more salient, alongside practical considerations such as their health and likelihood of matching.Demographic diff erences in these responses suggest that a one-size-fi ts-all approach to discussing specifi c reasons for donation -especially fi nancial impacts -is likely to be met with varying degrees of receptiveness.
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 | 0,046 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,018 | 0,007 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,002 |
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 ».