学术同行评审中作者人口统计特征的因果分析
计算机与社会
2026-03-10 v1
摘要
学术功绩主义受到系统性失衡的威胁；例如，虽然黑人和西班牙裔个体在美国人口中占据超过30%，但在科学与工程领域的终身教职 academics 中却不足10%。同行评审作为这一过程中的关键守门人，然而在偏见问题上持续存在挑战，这些偏见可能阻碍科学进步。问题日益严重，因为人工智能在学术评估中的影响力日益增长。本文超越相关性，定量评估作者人口统计特征（包括种族、性别和国籍）对论文接受排名的独立影响。我们对530篇论文的数据集采用因果推断方法，模拟学术选择过程，借助出版 venue 的声望作为评审排名的代理变量。我们的研究表明，针对少数族裔作者（平均处理效应[ATE]：-0.42分）、女性作者（ATE：-0.25）以及来自全球南方机构的作者（ATE：-0.57）存在统计显著的因果劣势。这些所揭示的偏见凸显了在常规和基于AI的评审过程中实施公平干预的紧迫性，表明这些措施对于建立更公平可信的科学环境是必不可少的。
引用
@article{arxiv.2603.06641,
title = {Causal Analysis of Author Demographics in Academic Peer Review},
author = {Uttamasha Anjally Oyshi and Gibson Nkhata and Susan Gauch},
journal= {arXiv preprint arXiv:2603.06641},
year = {2026}
}