性別化創新通訊新知

2019-1-02

1. 〈研究領域、方法和主題的性別差異：人和事物的取向能否解釋結果？〉摘要：

儘管學術界的性別差距已經縮小，但在美國的某些領域中，女性的代表性仍不足。先前的研究表明，科學、技術、工程和數學領域間的性別不平衡現象，一部分可能原因為男性對「事物」的興趣更大，而女性則對「人」的興趣更大；另一部分可能是某些領域中令人反感的男性陽剛文化所導致。為了在所有學科中尋求更詳細的見解，本文比較了2017年美國男性和女性第一作者在285個狹義領域和26個廣義領域中的佔比。這個比較是以出版領域和在文章標題、摘要和關鍵詞中所使用的字詞為主，而研究結果顯示，研究領域和主題的性別差異不能完全用心理學的人/物興趣維度來解釋。

例如，根據研究結果，女性對獸醫科學和細胞生物學更感興趣，而男性則是對抽象、患者和權力/控制領域（如政治和法律）更感興趣。這可能是由於其他因素造成的，例如職業提供地位或社會影響的能力或替代職業的可用性。作為部分人/事關係的可能副作用，女性更可能使用探索性和定性方法，而男性更可能使用定量方法。結果表明，在學術界消除顯性和隱性性別偏見的必要步驟是不夠的，可能需輔以使領域對少數性別更具吸引力的措施。

詳細內容請參考：Thelwall, M., Bailey, C., Tobin, C., & Bradshaw, N. A. （2019）. Gender differences in research areas, methods and topics: Can people and thing orientations explain the results?. Journal of Informetrics, 13（1）, 149-169.

2. 〈將性別視角應用於營養基因組學的指南〉摘要：

精準營養旨在提供更個性化的飲食建議，以優化疾病的預防或延遲並改善健康。因此，必須考慮個體的特徵（包括性別）以及一系列組學標記。營養基因組學研究的結果對於生成所需的證據至關重要，以便可以應用精準營養。雖然性別是提出建議的基本變量之一，但目前開展的營養基因組學研究尚未從性別角度系統地分析基因-飲食相互作用對不同表型的異質性/同質性，因此幾乎沒有關於這個問題的可用信息需要改進。我們認為需要將性別觀點納入營養基因組學研究，呈現一般背景，分析性別和性別之間的差異，以及測量它們和檢測特定性別基因或性別表型關聯的局限性，無論是在特定基因水平還是在全基因組關聯研究中。這篇文章分析了迄今為止發表的主要的性別特異性基因-飲食相互作用及其主要局限性，並提出了在進行新的營養基因組學研究時應遵循的指南和建議。

詳細內容請參考：Corella, D., Coltell, O., Portolés, O., Sotos-Prieto, M., Fernández-Carrión, R., Ramirez-Sabio, J., ... & Ordovas, J. （2019）. A Guide to Applying the Sex-Gender Perspective to Nutritional Genomics. Nutrients, 11（1）, 4. View Full-Text

3. 〈NIH 性別包容政策的實施：研究部門成員的態度和意見〉摘要：

共有1161名研究組成員參與了調查，2016年的響應率為10.2%，2017年為15.1%。受訪者認為是對於NIH資助的研究而言，考慮SABV（63% vs. 68%，p = 0.141）並且將提高嚴謹性和可重複性（54% vs. 58%，p = 0.208）很重要。在實施方面，受訪者表示，成功解決並納入政策的補助百分比隨著時間的推移顯著增加（所有端點的 p < 0.0001）。然而，開放式評論顯示出對聯邦研究資金、實驗動物的過度使用以及與 SABV 政策相關的撥款評分的不確定性的擔憂。在這項研究中，展示了NIH對性別包容性政策的態度有所改善，並且統計顯著數量的撥款在其提交的文件中適當地將性作為生物變量。這些數據表明該政策正越來越被人們接受，因此預計科學報告的可重複性將隨著時間的推移而增加，並且使用性別作為生物變量的新發現即將出現。

詳細內容請參考：Woitowich, N. C., & Woodruff, T. K. （2018）. Implementation of the NIH sex-inclusion policy: Attitudes and opinions of study section members. Journal of Women's Health.

4. 〈我的詞嵌入有哪些偏差？〉摘要：

本文提出了一種枚舉詞嵌入偏差的算法。該算法在公開可用的嵌入中暴露了大量與敏感特徵（如種族和性別）相關的攻擊性關聯，包括所謂的「去偏見」嵌入。鑑於詞嵌入的廣泛使用，這些嵌入的偏見令人擔憂。這些關聯是由單詞嵌入中的幾何模式識別的，這些幾何模式在人名與常見的小寫單詞和短語之間並行運行。該算法是高度無監督的：它甚至不需要預先指定敏感群體（例如性別、種族或宗教）。這是可取的，因為：（a）先驗地確定所有弱勢群體可能並不總是那麼容易；（b）更容易識別對交叉群體的偏見，這取決於敏感特徵的組合。我們算法的輸入是目標標記列表，例如名稱和詞嵌入。它產出了許多詞向量的聯想測試（Word Embedding Association Tests , WEAT），這些測試捕獲數據中存在的各種偏差。我們說明了我們的方法在公開可用的詞嵌入和名稱列表上的效用，並使用群眾外包（Crowdsourcing）評估其輸出；亦展示了刪除名稱可能不會消除潛在的代理偏見。

詳細內容請參考：Swinger, N., De-Arteaga, M., Heffernan, I. V., Thomas, N., Leiserson, M. D., & Kalai, A. T. （2018）. What are the biases in my word embedding?. arXiv preprint arXiv:1812.08769.