Es 2022 y las mujeres en la ciencia aún tienen menos probabilidades que sus pares masculinos de ser contratadas y promovidas. Es menos probable que las mujeres sean asesoradas por profesores eminentes, publican en revistas menos prestigiosas, tienen menos colaboradores, están subrepresentadas entre los revisores y editores de revistas, y sus artículos reciben menos citas. ¿Cómo está pasando esto?

La científica principal del Instituto de Ciencias de la Información (ISI) de la USC, Kristina Lerman, y su equipo utilizaron IA para buscar respuestas a esta pregunta. El artículo resultante ha sido publicado en la revista científica multidisciplinaria revisada por pares Proceedings of the National Academy of Sciences (PNAS ) el 26 de septiembre de 2022.

Como mujer en la ciencia, Lerman conoce el mundo en el que trabaja, pero incluso a ella le sorprendieron las estadísticas que aprendió recientemente:solo el 2% de los ganadores del Premio Nobel de física han sido mujeres (hasta hace unos años era el 1%) y esos números son similares en muchos campos científicos. Lerman dijo:"¡Solo el 7 % de los ganadores del Premio Nobel de química han sido mujeres! Las mujeres han estado trabajando en química durante tanto tiempo, entonces, ¿cómo es eso? Teníamos curiosidad acerca de esta discrepancia".

Datos correctos, momento correcto

Lerman tenía el conjunto de datos correcto para el problema. Desde 2019, ella y su equipo habían estado trabajando en un gran proyecto que usaba IA para predecir la reproducibilidad de los trabajos de investigación. El equipo de ISI utilizó IA para analizar muchos aspectos de los artículos científicos, incluidas las citas, para predecir la reproducibilidad. Publicaron el artículo "Evaluación de artículos de investigación científica con gráficos de conocimiento" en ACM SIGIR 22 (el Grupo de interés especial sobre recuperación de información de la Asociación de Maquinaria de Computación) en julio de 2022, describiendo su método novedoso y hallazgos prometedores.

Para hacer esta investigación de reproducibilidad, el equipo de Lerman recopiló una gran cantidad de datos en artículos académicos. Su coautor Jay Pujara, director del Centro de Gráficos de Conocimiento de ISI, dijo:"Recopilamos este gráfico de citas muy grande:la red de artículos, autores, citas, referencias, colaboraciones, instituciones autoras, dónde publican, etc.". Convirtieron estos datos en un vasto gráfico de conocimiento (un "gráfico de conocimiento" es una representación de una red de entidades del mundo real que ilustra las relaciones entre ellas).

El equipo observó las formas o "estructuras" que surgieron en el gráfico de conocimiento. Se preguntaron si había algún tipo de fenómeno natural que causara las diferentes estructuras en las redes de citas. Además, querían asegurarse de que los datos utilizados en sus predicciones de reproducibilidad no se vieran afectados por sesgos en los datos. Pujara dijo:"Kristina [Lerman] tuvo la idea de observar covariables como el género o el prestigio". Y con esa idea, el equipo de investigadores se dispuso a ver si había una diferencia en una red en función de si el autor era hombre o mujer, así como si estaba en una universidad de primer nivel o en una universidad de nivel inferior.

Quién, qué y por qué de las citas

Antes de continuar, un poco de información sobre cómo funcionan las citas en la investigación científica. Por lo general, hay tres razones por las que un autor puede citar el artículo de otro autor.

Primero, como antecedentes:para comprender su artículo, un autor citará otros artículos que brinden la información de antecedentes necesaria. En segundo lugar, para explicar un método:si un autor utilizó un método similar, una versión o comparable a un método de otro artículo, citará el artículo que explica ese método. Y tercero, resultados:un autor explicará sus resultados, pero puede citar otros artículos que estudiaron lo mismo pero obtuvieron resultados diferentes.

Obtener información de las citas

"Tratar de estudiar la red de citas de cada investigador es realmente difícil, entonces, ¿por qué no elegimos la flor y nata de la cosecha?" dijo Pujara. El equipo analizó a científicos elegidos para la Academia Nacional de Ciencias (NAS) de EE. UU., una de las organizaciones científicas profesionales más antiguas y destacadas. Los nuevos miembros de NAS son elegidos por los miembros actuales en función de un historial distinguido de logros científicos, lo que significa que, en teoría, todos han alcanzado el mismo nivel de reconocimiento. El equipo de ISI analizó a 766 investigadores de NAS, 120 de los cuales eran mujeres, con la hipótesis de que las diferencias de género complejas serían visibles dentro de este grupo de científicos de élite.

Su hipótesis resultó ser correcta.

Construyeron redes de citas que capturaron la estructura de reconocimiento de pares para cada miembro de NAS. Estas estructuras diferían significativamente entre los miembros masculinos y femeninos de NAS. Las redes de mujeres estaban mucho más agrupadas, lo que indica que una mujer científica debe estar más integrada socialmente y tener una red de apoyo más sólida que sus homólogos masculinos. Las diferencias fueron lo suficientemente sistémicas como para permitir que el género del miembro se clasificara con precisión en función de su red de citas únicamente.

Lerman dijo:"Podríamos escribir un algoritmo de IA que solo observara las redes de citas y predijera si se trataba de la red de citas de una mujer o de un hombre. Esto fue bastante impactante y decepcionante para nosotros".

Como estudio de control, el equipo también analizó la covariable del prestigio. Los miembros de NAS afiliados a instituciones menos prestigiosas son una minoría en NAS, al igual que las mujeres. Lerman dijo, "habríamos imaginado que tal vez las redes de citas de mujeres se verían como las de miembros de universidades no prestigiosas". Pero ese no fue el caso. No observaron disparidades debido al prestigio de la afiliación institucional de un miembro.

Conclusión:basándose únicamente en la red de citas de un científico, se puede determinar con precisión el género, pero no se puede determinar el prestigio de la universidad a la que está afiliado el científico. Esto sugiere que el género sigue influyendo en el éxito profesional en ciencias, según el equipo de ISI.

Cómo dejar de ser tan breve

¿Por qué está pasando esto? Pujara dijo:"No lo sabemos. Podría deberse a que hay algún aspecto del género que cambia el comportamiento colaborativo. O podría ser algo sobre la sociedad que da forma a los investigadores y sus caminos en función de los prejuicios sociales. Entonces, en realidad no sabemos el respuesta a eso. Lo que sabemos es que hay una diferencia".

La verdadera pregunta es:¿cómo podemos cambiarlo? ¿Cómo podemos hacer que la ciencia sea un clima menos hostil para las mujeres, eliminar las barreras a las oportunidades para las mujeres y crear un entorno que permita a las mujeres llegar a la cima de sus campos?

El equipo de ISI espera que, en el futuro, sus métodos y resultados puedan ayudar. Para empezar, este estudio podría usarse para ayudar a los investigadores a comprender cómo son sus redes. Además, podría usarse como una forma para que los formuladores de políticas entiendan si los programas que apuntan a mejorar la equidad de género en la ciencia están funcionando.

Finalmente, y lo que es más importante, podemos aprender de esas diferencias en las estructuras de citas entre hombres y mujeres. "Para que una mujer sea reconocida, debe estar bien integrada y tener una sólida red de apoyo", dijo Lerman. "Asesorar a mujeres jóvenes y decirles que realmente tienen que construir esas redes de apoyo social y ser muy intencionales con ellas" parece ser una forma de cambiar la forma de estas estructuras... y la forma de la ciencia. + Explora más

Los investigadores encuentran sesgo de citas en artículos publicados y evidencia de que el problema está empeorando