Increasing underrepresented minority participation in the STEM PhD programs
Notice bibliographique
Résumé
According to 2014 data, underrepresented minorities (URM) made up 36.8% of America?s college age (18-24) population (NSF, 2017b), but only received 12.2% of PhD degrees (NSF, 2017a) and a scant 7.9% of all PhD degrees in the science and engineering fields (NSF, 2017a). The figures mean that URM received only a quarter of the science and engineering PhD degrees relative to their percentage makeup of America?s college age population. At UCSF though, the percentage of URM enrolled in UCSF?s basic and biomedical sciences PhD programs is 22% (UCSF Graduate Division, 2020a). UCSF was chosen for this evaluation study because the percentage of URM students enrolled in its basic and biomedical sciences PhD programs is nearly three times the national average and UCSF is classified as a ?very high research activity? or R1 institution by the Carnegie Classification (Carnegie Classification of Institutions of Higher Education by Indiana University Center for Postsecondary Research, 2017). R1 institutions award the most science and engineering doctorate degrees (London et al., 2014). The study will utilize the Clark and Estes? (2008) gap analysis framework to evaluate the knowledge, motivation, and organizational (KMO) influences from the student perspective. The research methodology uses a quantitative approach consisting of an online survey sent to URM students enrolled in the basic and biomedical sciences PhD programs. The study concludes with a series of recommendations to help UCSF ensure its continued success with a more diverse student body population in the basic and biomedical sciences PhD programs.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».