NIH資助的性別差異；生物科學與性別；憂鬱症與性別；死亡登記的性別差異；研究論文的標題與性別；NLP中的身障者歧視；圖像中的性別偏見
2021-10-24
1.來自加拿大衛生研究所Greta Bauer教授的定量交叉分析：加拿大衛生研究所，定量交叉研究設計和主要數據收集： https://cihr-irsc.gc.ca/e/52352.html；指導定量交叉分析的問題： https://cihr-irsc.gc.ca/e/52676.html(2021)。
2.美國國立衛生研究院在疾病資助方面的性別差異
AA Mirin - Journal of Women's Health, 2021 - liebertpub.com背景：性別偏見一直是醫療保健領域的問題，例如女性在健康研究中的代表性不足、女性身體投訴的輕視以及研究資助授予方面的歧視。我們在這裡研究了一個不同的問題—在不同疾病之間分配研究經費時的性別差異。材料和方法：我們對美國國立衛生研究院(NIH)的資金進行分析，以確定其資金分配中可能存在的性別差異。
3.元研究：生物科學中性別包容的 10 年追蹤研究
NC Woitowich,A Beery,T Woodruff- Elife, 2020 - elifesciences.org
2016年，為了解決歷史上男性受試者在生物醫學研究中的比例過高的問題，美國國立衛生研究院實施了一項政策，要求研究人員將性別視為生物變量。為了評估該政策的影響，我們對2019年在34種期刊發表的論文進行了9個生物學科的文獻計量分析，並將我們的結果與Beery和Zucker在2009年進行的類似研究的結果進行了比較。
4.焦慮和抑鬱的性別差異：電路和機制
DA Bangasser, A Cuarenta - Nature Reviews Neuroscience, 2021 - nature.com
焦慮症和重度抑鬱症的流行病學在性別差異得到了很好的表徵。然而，導致這些差異的迴路和機制尚未得到充分研究，因為臨床前研究歷來都排除了雌性囓齒動物。這個問題開始得到解決，最近包括雄性和雌性囓齒動物的研究正在確定神經生物學過程中的性別差異，這些差異是神經生物學特徵的基礎。這些障礙包括衝突焦慮、恐懼處理、喚醒、社交迴避……
5.死亡登記的完整性和死因統計質量是否存在性別差異？全球分析的結果
T Adair, USH Gamage, L Mikkelsen, R Joshi - BMJ Global Health, 2021 - gh.bmj.com
簡介：最近的研究表明，登記的男性死亡人數多於女性死亡人數，並且較高比例的女性死亡被證明是「垃圾」原因（即模糊或不明確的政策價值有限的原因）。這會降低特定性別死亡率統計數據的效用供各國政府解決健康問題。為了評估民事登記和生命統計系統數據是否存在性別差異，我們分析了可用的全球死亡登記和死因數據。
6.關於女性、科學和工程的出版物：四十六年間在標題中使用生理性別和社會性別
MF Fox, DR Rueda,G Sonnert… - … , & Human Values, 2021 - journals.sagepub.com
本文介紹有關在重要的46年（1965年至2010 年）期間，在有關女性、科學和工程學的文章標題中的生理性別和社會性別特徵。從理論上來看，論文顯示了科學作為將女性氣質/男性氣質與社會分層聯繫起來的關鍵案例；和使用生理性別和社會性別作為一個持久的、分析性的問題，揭示對女性氣質/男性氣質的等級。
7. ACT 在研究與創新中整合性別和性別分析
J Müller, E Pollitzer - genderportal.eu
將生理性別和社會性別分析納入研究與創新(R&I)可以提高科學成果以及為市場開發的產品和服務的質量和影響。鑑於歷史上女性在科學和勞動力市場的某些領域的代表性不足，知識本身存在偏見也就不足為奇了，男性的足跡更高。
8.解開相互依賴的歧視系統：通過交織性濾鏡來看NLP系統中的Ableist偏見,S Hassan,M Huenerfauth,CO Alm - arXiv preprint arXiv:2110.00521, 2021 - arxiv.org
世界上大部分人口在其一生中都經歷過某種形式的殘疾。在設計自然語言處理 (NLP) 系統時必須小心謹慎防止系統無意中使殘障人士的殘障偏見永久化，即，偏愛具有典型能力的人的偏見。此研究透過各種分析大規模BERT語言模型的詞預測，具有統計意義的結果證明殘疾人可能處於不利地位。
9.平衡數據集是不夠的：估計和減輕深度圖像中的性別偏見
T Wang,J Zhao,M Yatskar… - Proceedings of the …, 2019 - openaccess.thecvf.com
在這項工作中，我們提出了一個框架來衡量和減輕與受保護的變量—例如視覺識別任務中的性別。我們展示了訓練好的模型顯著擴大目標標籤與性別的關聯，與一般情況不同的是我們使用自有偏見的數據集。令人驚訝的是，即使數據集是平衡的使得每個標籤與每個性別平等地同時出現，學習模型放大了標籤和性別之間的關聯，就好像數據沒有平衡過一樣！……