Intersectional Analysis of Health Inequalities Research Authorship in the United Kingdom (1970–2023): Towards an Inclusive Scholarship?
Notice bibliographique
Résumé
Gender inequalities in authorship have extensively been investigated, yet evidence on ethnic inequalities remains limited, with even fewer studies examining the intersections of the two. Our study aims to identify and measure the magnitude of intersectional (gender-by-ethnicity) inequalities among United Kingdom (U.K.)-affiliated-first authors in health inequalities research (1970-2023), and investigate how ethnic inequalities are distributed between and within gender groups over time. The study focuses on U.K. authorship due to its long health inequalities research tradition. We conducted bibliometric analysis of the health inequalities field using the Scopus database, limiting our analysis to U.K.-affiliated authors. Based on first and family names, four strategies were adopted to identify the authors' gender; the Consumer Data Research Centre's Ethnicity Estimator software was used to identify their ethnicity. Despite a decline in the representation of White male first authors over time, all other intersectional groups-especially Black/British Caribbean and Asian/British Bangladeshi authors-show markedly lower representation overall and consistently, with minimal contributions compared to their White male and female counterparts. Our findings offer a nuanced understanding of how different social groups have contributed to the U.K.'s health inequalities research field over time. Addressing these epistemic injustices is essential to enrich the field and strengthen efforts to tackle health inequalities.
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 | 0,031 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».