EQUIDADE NA EDUCAÇÃO STEM PARA TODOS OS GÊNEROS
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Talento é distribuído igualmente por todos os grupos socioculturais, porém quando se trata do acesso a oportunidades, as barreiras sistêmicas são visíveis. Isso é particularmente verdadeiro nas profissões envolvendo Ciência, Tecnologia, Engenharia e Matemática (STEM). A sub-representação de grupos marginalizados nos contextos STEM é generalizada. Negros, índios e minorias sexuais ou de gênero e indivíduos com deficiência continuam com menor probabilidade de serem integrados com sucesso nos cursos e profissões de STEM. Esses indivíduos podem ser questionados sobre sua competência, desafiados em conhecimentos científicos e, consequentemente, invisibilizados como cientistas. Dezenas de relatórios e estudos empíricos documentam que essas experiências são muito comuns como características do cenário contra o qual o desenvolvimento acadêmico e de carreira se desenrola para muitos de grupos sub-representações. Infelizmente, a boa ciência pode ser dificultada em ambientes não civis e negligentes. A ampla integração de todos os segmentos da sociedade nos cursos STEM trará inovações e benefícios sociais significativos para uma sociedade mais sustentável. Mas como o acesso e a oportunidade podem ser facilitados em ambientes de afirmação em apoio a um modelo de desenvolvimento de talentos STEM para todos? Neste artigo, será apresentado uma visão geral sobre os problemas enfrentados pelos grupos marginalizados e sugestões de como podemos trabalhar para reduzir barreiras sistemas para uma educação STEM mais equitativa para todos os gêneros.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it