Untangling Ageism: Insights From Diverse Perspectives, Methods of Inquiry, and Contexts
Notice bibliographique
Résumé
Abstract Ageism, defined as stereotypes, prejudices, and discrimination, has been studied for over five decades now. Yet, it is still more prevalent than the other big “isms” such as racism or sexism but is less recognized than other “isms.” In this symposium, we present research conducted in various socio-cultural contexts including Canada, China, Germany, Israel, and the United States to highlight the complexity and multi-faceted nature of ageism. Levy and Martin present research from the Health and Retirement Survey showing the importance of positive views on aging in reversing and preventing the development of mild cognitive impairment. Xi and colleagues highlight the paradox of digital ageism in two different cultural contexts: the United States and China, demonstrating differential age and culture effects of digital ageism on technology use . Ayalon and colleagues examine shifts in society and their potential effects on ageism. They demonstrate a reduction in ageism following the Sward of Iron war in Israel. de Paula Couto & Rothermund examine the interaction between chronological age and disengagement norms, showing a reduction in the reports of age discrimination in those older persons who are more likely to hold disengagement norms. Finally, Gans & Chasteen discuss intersectional identities in relation to prescriptive norms, demonstrating that older White men are the ones most expected to step aside for younger generations and most negatively judged as moral violators if they fail to comply with prescriptive age norms. The studies highlight the importance of context and the distinction between prescriptive and descriptive age norms.
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 | 0,086 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,014 | 0,070 |
| Communication savante | 0,024 | 0,028 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».