A Conversation About Data on Race & Ethnicity Around the World
Notice bibliographique
Résumé
The Black Lives Matter and Indigenous rights movements, as well as international migration in recent years have raised awareness of issues around inequalities because of race and ethnicity. In turn, this has prompted many organisations and groups such as IASSIST to reexamine their own understanding and knowledge, processes and practices. In response, the IASSIST Anti-Racism Interest Group was formed and brought together data stewards and librarians who had some or no prior expertise but who were interested in having a conversation about race and ethnicity in terms of data available for research and exploring how they could support the vital work in this field. This webinar took place on November 30, 2022, 11 am - 12:30 pm EST. It was organized by the Anti-Racism Resources Interest Group and the IASSIST Professional Development Committee and marks the beginning of that conversation with a focus on the data that is available for research. Bringing together a panel of data stewards and librarians from 4 countries - Canada, the US, the UK and Germany - this webinar aims to discuss and review these key questions: How are race and ethnicity recorded in the national Censuses and other key data sources? Have these definitions changed over time? What groups are identified, how much detail is available? What are some of the key issues with these data?
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 | 0,044 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,013 | 0,006 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,006 |
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 ».