Research Reflections: Advancing linguistic and epistemic equity for sex, gender and diversity in oncology care research: Moving forward and together as a community
Notice bibliographique
Résumé
In recent years, equity issues have taken on great importance, particularly in the field of oncology. Indeed, Canada has faced significant challenges, including global migration, limited resources, and climate changes that have exerted undeniable impacts on equity in cancer care services. Furthermore, the COVID-19 pandemic was a significant milestone that exacerbated many pre-existing health inequities. Despite these challenges, oncology nurse researchers shoulder the responsibility to contribute to health and epistemic equity (i.e., creation, usage, and diffusion of knowledge). This responsibility transcends Canada’s official languages (French and English), reflecting Canada’s rich linguistic diversity, with more than 4.6 million individuals (12.7%) primarily using languages other than English or French at home, such as Mandarin, Yue, Cree languages, and many more (Statistics Canada, 2022). Numerous researchers, including those featured in this journal, have taken a proactive stance in raising awareness and advocating for improved oncology research on health and epistemic equity (Varcoe et al., 2015; Winkfield et al., 2020). Alongside scholars and researchers, numerous national and international organizations, including the American Society of Clinical Oncology and the Canadian Partnership Against Cancer, have also expressed a commitment to address this crucial issue.
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 | 0,104 | 0,150 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,029 | 0,043 |
| Communication savante | 0,036 | 0,037 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,024 | 0,045 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 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 ».