Artificial Intelligence in Action: Racial and Gender Disparities in Academic Radiology
Notice bibliographique
Résumé
Academic radiology continues to face persistent gender and racial disparities in career advancement. The emergence of generative artificial intelligence (AI) platforms offers new opportunities to analyze workforce diversity patterns rapidly and at scale. This study aimed to evaluate the interpretative capacity of three generative AI platforms (i.e., ChatGPT, DeepSeek, and Perplexity) in identifying disparities in academic rank and tenure status across gender and racial subgroups in academic radiology. The outputs of these AI models were compared with conventional human-led analyses for accuracy, limitations, and potential biases. We prompted each AI model to analyze publicly available American Association of Medical Colleges Faculty Roster data on tenure and rank distribution by gender and race using standardized query templates. Outputs were systematically evaluated for consistency, accuracy, and potential biases against benchmark human-curated studies. Comparative analysis included variations between AI platforms and traditional research methods, with particular attention to how each model interpreted and reported disparities. The AI models broadly recognized trends in faculty growth and underrepresentation, but interpretations varied. Perplexity and DeepSeek provided more granular insights, such as declining tenure rates and intersectional disparities, while ChatGPT offered less detailed analyses. Key discrepancies included divergent temporal trends and policy recommendations, highlighting AI's limitations in capturing nuanced sociodemographic patterns. Generative AI shows promise in analyzing workforce disparities but requires validation to mitigate biases and inconsistencies. When used alongside traditional methods, AI can enhance understanding of inequities in academic medicine, provided that its outputs are critically evaluated for fairness and accuracy.
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 | 0,024 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».