Bridging knowledge mobilization and inclusion by developing a community of practice DEI action plan
Notice bibliographique
Résumé
Purpose This Viewpoint article presents the intersection of knowledge mobilization and diversity, equity and inclusion (DEI) from the perspective of knowledge mobilization practitioners. We represent the Knowledge Mobilization Unit at York University (Toronto, Canada) and Research Impact Canada, Canada’s knowledge mobilization network. We reflect on building and animating a Community of Practice (CoP) with the Future Skills Centre and outline the DEI Action Plan we developed for that knowledge mobilization mechanism. We provide recommendations for researchers and research organizations to strengthen the role of DEI in knowledge mobilization. Design/methodology/approach We provide critical inquiry into our knowledge mobilization practices through self-reflection, comparison to the literature, and testing against the lived and living experiences of knowledge mobilization and DEI practitioners. Findings We outline the steps taken to build the CoP and develop and implement the DEI Action Plan to support peer exchange and learning, collaboration, and capacity building. We also conclude that knowledge mobilization and DEI are mutually reinforcing. Both seek excellence in diverse forms. Both seek to maximize access to research programs, outputs and evidence. Both are common features in the Canadian research landscape. Originality/value The intersections of knowledge mobilization and DEI are only starting to be explored. As a viewpoint article, we have written from our perspective of knowledge mobilization practitioners who bring diverse personal and professional DEI perspectives to our work. This complements the literature review conducted by Cornelius-Hernandez and Clark (2024) with recommendations derived from our practice.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,020 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,036 |
| 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 ».