Notice bibliographique
Résumé
For decades women have been underrepresented in academia regardless of subject or profession. This project aims to shed light on women’s achievements specifically in the intersection of Climate Change and Disease by generating a replicable matching algorithm that can be applied to label large datasets with the sex of their authors. This data will then be turned into a variety of visualizations that will help more accurately depict women’s involvement in academia. The team utilized an open source MIT web scraping tool to scrape PubMed, an online directory of research papers to formulate the dataset for this project. The scraped data was left in CSV format, which we then piped into a Python file to conduct the processing. We have downloaded publicly available datasets labeled with the most common names in Canada, the USA, Mexico, Brazil, France, Finland, Australia, and India to create our labeled names repository. The Python routine we used holds the labeled names repository as its backend and looks for matches between the names in the input files, the author’s names and the names in the labeled directory. Following the application of this matching algorithm on our scraped dataset, the now labeled data was placed into Tableau to generate our visualizations. It was mentioned earlier that this project specifically aims to highlight women’s accomplishments in the field of Climate Change and Disease, but our overarching goal with this project is to design a replicable approach that can be easily applied to other fields such as “Agriculture” or “Occupational Therapy”. Through this project we aim to help women get the accreditation they deserve in a variety of fields, with the start being climate change and disease. This project will also provide researchers/data analysts with an easy to use tool in the future to quickly label named datasets more accurately than current tools on the market.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,118 | 0,038 |
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 ».