Une crédibilité variable : l’influence de l’accent et de la couleur de la peau dans l’évaluation des experts scientifiques au Québec et en Ontario
Bibliographic record
Abstract
Les recherches sur la diversité ont depuis longtemps établi que les attitudes à l’égard des membres de groupes minoritaires sont influencées par divers marqueurs d’appartenance, notamment la couleur de la peau. Mais si ces marqueurs sont principalement visuels, qu’en est-il des marqueurs auditifs, comme l’accent d’une personne immigrante? Cette recherche tente de comprendre l’effet des marqueurs visuels et auditifs sur la perception de la crédibilité des individus par le groupe majoritaire. Ces effets sont-ils additifs, de sorte que le groupe majoritaire juge plus négativement les membres d’une minorité à la fois auditive et visible, ou sélectifs, de sorte qu’un des marqueurs suffit à modifier la perception de la crédibilité? Pour étudier ces questions, nous utilisons les données d’une expérience en ligne réalisée au Québec et en Ontario et visant à comprendre comment les répondants perçoivent la crédibilité de divers experts scientifiques d’origines et d’accents différents. Les résultats suggèrent que le fait d’avoir un accent étranger et de faire partie d’une minorité visible nuit à la possibilité d’être considéré comme un expert crédible par les membres du groupe majoritaire. De plus, il existe des différences importantes quant à l’effet des marqueurs d’appartenance en Ontario et au Québec, les répondants du Québec se concentrant davantage sur les marqueurs auditifs que ceux de l’Ontario.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".