Maschinelles Lernen kann das Geschlecht eines Wissenschaftlers allein auf der Grundlage von Zitierdaten genau vorhersagen PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Maschinelles Lernen kann das Geschlecht eines Wissenschaftlers allein auf der Grundlage von Zitationsdaten genau vorhersagen

Kollektiver Effekt: Geschlechterunterschiede in Zitiernetzwerken können auf einen „Reich wird reicher“-Effekt zurückzuführen sein, bei dem bekannteren Forschern mehr Anerkennung zuteil wird. (Mit freundlicher Genehmigung: Shutterstock/aelitta)

Frauen und Männer haben so unterschiedliche Zitiermuster, dass es allein aus solchen Daten möglich ist, das Geschlecht eines Wissenschaftlers genau vorherzusagen. Das ist das Ergebnis einer neuen Studie, die untersucht, wie Männer und Frauen ihre Communities zitieren – und von ihnen zitiert werden (Proz. Natl. Akad. Wissenschaft 119 e2206070119).

Unter der Leitung eines Netzwerkwissenschaftlers Kristina Lerman Von der University of Southern California untersuchten die Autoren 766 Mitglieder der USA National Academy of Sciences (NAS), an der 120 Frauen teilnahmen. Sie ordneten die Wissenschaftler ihren Profilen im Microsoft Academic Graph zu, der Metadaten zu über 150 Millionen wissenschaftlichen Publikationen enthält.

Nachdem die Forscher die Geschlechter der Wissenschaftler durch Überprüfung der Pronomen in den Biografien der einzelnen Wissenschaftler identifiziert hatten, erstellten sie für jeden Wissenschaftler ein „Ego-Zitat-Netzwerk“. Diese enthielt „Richtungslinks“, die anzeigten, welche anderen Wissenschaftler – dargestellt durch Knoten – die Person zitiert hatte und welche Wissenschaftler sie zitiert hatten.

Es ist allgemein bekannt, dass weibliche Wissenschaftler weniger Zitate erhalten als ihre männlichen Kollegen, aber die neue Studie zeigt, dass Frauen einen deutlich höheren Anteil an Zitaten erwidern als Männer. Das Netzwerk einer Frau ist außerdem stärker vernetzt, was darauf hindeutet, dass Frauen dazu neigen, in enger vernetzten Forschungsgemeinschaften zu arbeiten.

Die Studie ergab auch, dass Frauen weniger Kollegen haben – obwohl diese tendenziell hochproduktive Kollegen sind – und dass Frauen einen größeren Anteil weiblicher Wissenschaftler in ihren Netzwerken haben.

Reiche werden reicher

Anschließend trainierten die Forscher einen maschinellen Lernalgorithmus auf 75 % der zufällig ausgewählten Daten. Als sie die anderen 25 % zum Testen des Systems verwendeten, stellten sie fest, dass der Algorithmus das Geschlecht eines Wissenschaftlers anhand der Zitationsnetzwerke genau vorhersagen kann – und zwar in etwa 80 % der Fälle richtig.

Die Zitationsnetzwerke zeigten nur wenige signifikante Unterschiede basierend auf dem Prestige der angeschlossenen Institution eines Autors, obwohl die NAS-Mitgliedschaft stark auf prestigeträchtigere Institute ausgerichtet ist. Die Forscher fanden außerdem heraus, dass Frauen in allen sieben untersuchten Bereichen unterrepräsentiert sind. Nur 8 % der NAS-Physiker waren Frauen – der niedrigste Anteil aller untersuchten Fachgebiete.

Lerman glaubt, dass die geschlechtsspezifischen Unterschiede in Zitiernetzwerken auf zwei Aspekte zurückzuführen sein könnten. „Es gibt eine Vorliebe beider Geschlechter, Männer zu zitieren, und bevorzugte Bindung – oder der ‚Reich wird reicher‘-Effekt – ist der bekannte Belohnungsmechanismus in der Wissenschaft, bei dem die bereits bekannteren Forscher mehr Anerkennung erhalten“, sagt sie . „Wir arbeiten derzeit an einem Manuskript, das zeigt, wie aus diesen Komponenten eine große Geschlechterungleichheit entstehen kann.“

Zeitstempel:

Mehr von Physik-Welt