Best Practices for Promoting Equity, Diversity, and Inclusion in Infectious Disease Modelling
Notice bibliographique
Résumé
Infectious disease modelling plays a critical role in understanding and addressing global health challenges. However, the field faces persistent barriers related to Equity, Diversity, and Inclusion (EDI), including language and cultural biases, underrepresentation of certain groups, and systemic inequities in access to resources and opportunities. This paper identifies key challenges and proposes actionable best practices to foster inclusivity, collaboration, and innovation in the field. Our recommendations cover diverse contexts, including conferences, team dynamics, and virtual collaborations, and emphasize practical steps such as diversifying organizing committees, accommodating participant needs, and integrating mentorship programs. While recognizing that EDI initiatives must be tailored to specific cultural and institutional settings, we highlight the importance of measurable progress through continuous reflection, assessment, and adaptation. By embracing EDI principles, infectious disease modelling can better harness the strengths of a diverse global community, leading to more equitable science, more representative models, and improved health outcomes worldwide.
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 | 0,247 | 0,307 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,022 |
| Communication savante | 0,026 | 0,021 |
| Science ouverte | 0,011 | 0,033 |
| Intégrité de la recherche | 0,011 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».