Chronologie des premières pour les femmes en statistique au Canada
Bibliographic record
Abstract
Les sciences statistiques ont connu une croissance et des opportunités considérables au cours des dernières décennies. L'évolution des outils statistiques n'est pas le seul changement. Le nombre d'étudiants de premier cycle en mathématiques et en statistique a plus que doublé au Canada depuis 2009, et la profession de professeur assistant présente désormais une répartition presque égale entre les sexes dans les départements et les universités du Canada. Il s'agit d'un changement important par rapport à 1970/1971, la première année pour laquelle des données sont disponibles, où les femmes représentaient à peine 10 % des professeurs assistants. Les changements substantiels survenus au fil du temps soulèvent des questions sur ce qui s'est passé au cours des dernières décennies. Cette affiche superpose les chronologies des principaux prix remportés par les femmes en statistique au Canada avec un bref historique des sociétés professionnelles et des changements législatifs fédéraux. Bien que l'utilisation d'une définition binaire du genre ne soit plus d'actualité, une plus grande diversité était une orientation initiale, mais la complexité journalistique était considérable. Le projet et l'accent mis sur les femmes ont été largement inspirés par les ouvrages suivants : Nous remercions les personnes qui nous ont fourni des informations, des noms et des événements David Bellhouse, Judy-Anne Chapman, Charmaine Dean, Christian Genest, Nadia Ghazzali, Peter MacDonald, Shirley Mills, Bouchra Nasri, Nancy Reid, Mary Thompson, Rowan Thompson Des représentants de divers groupes et comités ont fourni des informations et des commentaires supplémentaires : Fields, CRSNG, comité des femmes en statistique de la Société statistique du Canada, Comité pour l'équité, la diversité et l'inclusion de la Société statistique du Canada, University of Manitoba Les sponsors qui ont apporté un financement et/ou un soutien en nature:INCASS, INCASS Ontario, Carleton University, Société statistique du Canada Bien que l'utilisation d'une définition binaire du genre ne soit plus d'actualité, une plus grande diversité était une orientation initiale, mais la complexité journalistique était considérable. Le projet et l'accent mis sur les femmes ont été largement inspirés par les ouvrages suivants :Billard, L. And Kafadar, K. (2015) “Women in Statistics: Scientific Contributions Versus Rewards“ in ‘Advancing Women in Science: An International Perspective’, W. Pearson, Jr., et al. (eds.), DOI 10.1007/978-3-319-08629-3_7 Reid, N. (2014) “The whole women thing”, in ‘Past, Present, and Future of Statistical Science’ X. Lin et al (eds.) DOI 10.1201/b16720Stinnett, S (1990) "Women in Statistics: Sesquicentennial Activities” The American Statistician, Vol 44, No 2, pp 74-80 Thomson, M (2014) “Reflections on Women in Statistics in Canada”, in ‘Past, Present, and Future of Statistical Science’ X. Lin et al (eds.) DOI 10.1201/b16720 Bellhouse, D. R., & Genest, C. (1999). A history of the statistical society of Canada: The formative years. Statistical Science (14). Ensembles de données: Statistique Canada. Tableau 37-10-0077-01 Nombre et âge médian du personnel enseignant à plein temps dans les universités canadiennes selon le plus haut diplôme acquis, les fonctions de direction, le rang et le genre doi:10.25318/3710007701-fra Statistique Canada. Tableau 37-10-0235-01 Diplômés postsecondaires, selon le domaine d'études détaillé, l’établissement, et les caractéristiques du programme et de l’étudiant doi:10.25318/3710023501-fra English version: https://doi.org/10.5281/zenodo.15733711
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.007 | 0.012 |
| Science and technology studies | 0.008 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".