XiaoMi-AI文件搜索系统
World File Search System种族
大规模种族平等，多样性和包容策略
我们现在被要求采取行动！大流行在必须解决的工作，住房，健康和学校中裸露的种族不平等。因此，也对乔治·弗洛伊德（George Floyd），布兰娜·泰勒（Breanna Taylor）和无数其他有色人种的袭击也袭击。我们也面临着粗糙和不尊重的公共话语，对民主的深刻两极分化和攻击。作为教育工作者，我们通过学生和家庭的视角看到了这些挑战。我们知道我们必须受到自己的道德指南针的指导。我们知道没有简单的答案。我们知道，每个地区的工作都会不同，因为每个地区的背景都不同。我们也知道，每个地区的工作都是紧迫的。最后，我们知道我们需要受信任同事的支持和指导，以驾驶在我们地区争取种族平等，多样性和包容的斗争。
以种族和社会平等为中心进行规划
项目名称：种族与社会公平倡议 案件编号：2016-003351CWP 工作人员联系人：Miriam Chion，住房和社区公平经理 miriam.chion@sfgov.org；415-575-9124 审核人：Rich Hillis，规划部主任 决议以规划部门的工作计划和资源分配为中心，以实现种族和社会公平；承认并对导致种族差异的不公平规划政策历史表示歉意；指示该部门实施其种族和社会公平行动计划；指示该部门与黑人、印第安人和有色人种社区合作，制定积极主动的战略来解决结构性和制度性种族主义问题；指示该部门修改其雇用和晋升做法，以确保该部门的工作人员在各个级别都反映出社区的多样性和人口统计数据；建议监事会谴责政府的歧视性行为；并且，指示该部门通过指标和报告建立问责制。序言 鉴于，规划委员会已经反思了当前 COVID-19 事件及其对美国印第安人社区、黑人社区和有色人种社区造成的不成比例的影响；由于警察的暴力和不当行为导致乔治·弗洛伊德、布伦娜·泰勒、阿莫德·阿伯里、亚历克斯·涅托、马里奥·伍兹、路易斯·贡戈拉·帕特等无数人被谋杀；以及为这些事件奠定基础的政府和经济结构；鉴于，旧金山人权委员会指出，种族平等意味着对所有种族的人进行系统性的公平对待，以实现平等的结果，同时认识到历史背景和对特定种族群体造成的系统性伤害；鉴于，旧金山长期以来一直在制定和/或执行法律、政策和机构，这些法律、政策和机构助长了白人至上主义并加剧了旧金山市和县（“城市”）的种族不平等，其中大部分由于历史抹杀而难以记录。造成这种种族不平等的条件还因种族与阶级、性别的交叉而加剧，
退休计划参与，种族/民族，2023年
退休计划参与，根据种族/族裔，2023年的介绍，自当前人口调查（CPS）以来，添加了几个与2019年开始的退休帐户有关的新变量（2018年结果），从CPS开发了从CPS开发的基于就业的退休计划参与的1个新的方法学估计，与退休计划参与的其他数据源是一致的。2 CP提供的数据很有价值，因为与雇主级别相反，数据在工人级别，因此可以通过工人特征来确定退休计划参与的差异。这个迅速的事实探讨了计划参与如何因种族/种族而有所不同，以及这些差异如何受到其他社会经济和人口统计学变量的影响，例如收入，年龄，教育地位，性别，性别和雇主规模。整体种族/民族参与
推进种族平等和对服务不足的COM
通过促进整个联邦政府的股权，我们可以为改善历史上所服务的社区的改善创造机会，从而使所有人受益。例如，一项分析表明，在未来5年内，在美国经济中，在美国经济中，在美国经济中，工资，住房信贷，贷款机会和获得高等教育的缩小种族差距将额外增加5万亿美元。联邦政府促进公平的目标是为每个人提供充分潜力的机会。与这些目标一致，每个机构必须评估其计划和政策是否会使系统障碍与有色人种和其他服务不足的群体的机遇和利益永存。这样的评估将更好地装备机构制定政策和计划，以公平地为所有人提供资源和利益。
COVID-19的种族差异在加拿大疫苗接种
自我不平等代表了个人健康中的任何可衡量的差异。当这些差异是可以预防，不公正或不必要的时，它们被认为是健康不平等。1自Covid-19疫苗接种以来，2020年12月，在加拿大和其他国家，已经观察到疫苗接种的种族和种族差异。2–4的研究表明，在少数族裔群体比例较高的地区，疫苗的吸收较低：与其他人相比，接种疫苗的疫苗接种或急性较低，而不是其他人的疫苗。5–7种族化人群所面临的持续不平等已被大流行加剧和扩大。8感染，医院的入院和Covid-19造成的死亡对这些人群的影响不佳。 9因此，要通知所有人群中公平疫苗接种计划的靶向计划，通过测量和监测疫苗覆盖范围的可能的结构和系统差异，了解族裔和种族化群体中现有疫苗接种疫苗的现有障碍至关重要。 但是，很少有研究检查了加拿大种族群体的实际COVID-19-19。 全国代表性的证据证明了疫苗摄取中种族不平等的证据是有限的。 由于加拿大VAC8感染，医院的入院和Covid-19造成的死亡对这些人群的影响不佳。9因此，要通知所有人群中公平疫苗接种计划的靶向计划，通过测量和监测疫苗覆盖范围的可能的结构和系统差异，了解族裔和种族化群体中现有疫苗接种疫苗的现有障碍至关重要。但是，很少有研究检查了加拿大种族群体的实际COVID-19-19。全国代表性的证据证明了疫苗摄取中种族不平等的证据是有限的。由于加拿大VAC
前殖民机构，种族家园和经济...
直到1880年代，欧洲人在很大程度上都不知道），持续很长时间（非洲非殖民化在1950年代后期起飞），除南非及其邻国外，欧洲定居点的重要性非常有限。在这些条件下，前殖民机构超越了殖民时期并影响到今天的非洲社会也许并不奇怪。因此，这些机构在非洲背景下的重要性是有据可查的（Gennaioli和Rainer，2007年，以及Michalopoulos和Papaioannou，2013年），研究越来越多地认识到它们在塑造拉丁美洲成果中的至关重要的作用，也是Angeles and Elizalde，2017; Elizalde; Elizalde; Elizalde; Elizalde; 2020; Elizald; elizalde and and and 202,23。值得注意的是，Angeles and Elizalde（2017）通过分析拉丁美洲的324个次国家国家来表达这种关系，从而揭示了殖民前机构以及当前教育，健康和经济发展的当前机构以及当前的指标。本文旨在使用种族祖国作为观察的核心单位来重新审视拉丁美洲的上述关系。的确，尽管Michalopoulos和Papaioannou（2013）的有影响力的工作探索了在非洲的这种关系，但族裔家乡作为分析的主要单位，但对于拉丁美洲而言，这种证据令人惊讶。为了解决文献中的这一差距，我们根据乔治·P·默多克（George P. Murdock）在美洲的民族志工作建造了数字化和地理标志的种族祖国地图（Murdock，1951; Murdock; Murdock，1972）。我们的地图涵盖了拉丁美洲的257个种族家园。与Michalopoulos和Papaioannou（2013年）一致，我们为每个家园分配了在殖民之前居住的种族群体的政治复杂性（从乐队和部落的0到4的4）。此信息摘自乔治·彼得·默多克（George Peter Murdock）的民族志地图集，并通过他的南美文化著作（Murdock，1951; Murdock，1967）的概述。通过在夜间利用卫星光密度作为当代生态发展的代理，我们发现了殖民前机构与拉丁美洲族裔家园的经济发展之间存在牢固而积极的相关性。我们的结果对于一组全面的地理和气候控制以及特定国家特定的特征，包括殖民地和后殖民机构，这是通过使用乡村固定效应来促进的。我们的研究基于以前的经济研究，研究了殖民机构与当代诉讼之间的联系。虽然先前的工作集中在非洲国家（Gennaioli和Rainer，2007年），非洲种族家园（Michalopoulos和Paioannou，2013年）和拉丁美洲亚美国国家国家（Angemes and Elizalde，2017年），我们的贡献扩展了这一对拉丁美洲的理解，通过数字化和地图为拉丁美洲，通过数字化和地图为历史悠久的历史上的历史悠久的历史文献。这种方法使我们能够探索影响
解开婴儿大脑中的社会经济地位和种族......
摘要背景：种族通常被用来代替多种特征，包括社会经济地位。分离这些因素，找出影响婴儿结果的机制，如出生体重、胎龄和大脑发育，并指导适当的干预措施和制定公共政策，这些都至关重要。方法：使用人口统计学、社会经济和临床变量来模拟婴儿结果。在出生体重和胎龄的分析中，共有 351 名参与者被纳入。对于使用脑体积的分析，在删除缺少磁共振成像扫描和符合我们排除标准的参与者后，共纳入 280 名参与者。我们用线性和非线性模型对这三种不同的婴儿结果进行了建模，包括婴儿大脑、出生体重和胎龄。结果：非线性模型比线性模型更能预测婴儿出生体重（R 2 = 0.172 vs. R 2 = 0.145，p = .005）。与线性模型相比，非线性模型在对出生体重进行建模时，将收入、邻里劣势和歧视经历的重要性排在了种族之前。种族不是妊娠周龄或结构性脑容量的重要预测因素。结论：与现有的社会科学文献一致，与出生体重相关的研究结果表明，种族是与结构性种族主义相关的非线性因素的线性替代。能够解开通常与种族相关的因素的方法对于政策制定很重要，因为它们可以更好地识别和排列影响结果的可修改因素。
防止联邦人工智能中的种族偏见
执行摘要：美国联邦政府越来越多地使用人工智能 (AI) 系统来替代或支持决策。人工智能是一种基于计算机的系统，经过训练可以识别数据中的模式并应用这些模式来对特定任务的新数据进行预测。人工智能通常被视为一种中立的技术工具，为行政职能、公民服务访问和监管执法带来效率、客观性和准确性。然而，人工智能也可以编码和放大社会偏见。设计、实施和使用方面的选择可能会将现有的种族不平等嵌入人工智能中，导致种族偏见的人工智能系统产生不准确的预测或对种族群体造成有害后果。种族歧视的人工智能系统已经影响了刑事司法、医疗保健、金融系统和住房等公共系统。本备忘录讨论了开发、部署和使用种族偏见人工智能系统的主要原因，并提出了三种应对措施，以确保联邦机构认识到人工智能的好处并防止种族差异影响。联邦机构必须采取三项行动来防止种族偏见：1）增加人工智能设计师的种族多样性，2）实施人工智能影响评估，3）建立员工对自动化决策提出异议的程序。每项提案都针对联邦机构使用的人工智能生命周期的不同阶段，并有助于使美国政策与经济合作与发展组织 (OECD) 的《人工智能原则》保持一致。一、什么是人工智能中的种族偏见？为什么它是一个问题？联邦机构越来越多地采用人工智能 (AI) 并将关键决策委托给该技术。在 142 个最大的联邦机构中，45% 的机构使用或考虑使用人工智能，执行从设定保释金到检测欺诈等各种任务（Engstrom 等人，2020 年）。虽然人工智能可以为服务带来效率和客观性，但人工智能系统也会放大系统性不平等。人工智能可以复制和放大现有的偏见，产生对某个种族群体有害的预测。造成偏见的原因既有技术原因，也有社会原因：代码可以通过设计者和数据的偏见嵌入，而人工智能的使用可能会加剧社会系统中已经存在的偏见。当联邦机构使用人工智能预测时，人工智能预测将成为关键决策的基础，或者在自动决策的情况下，成为产生直接影响的原因。人工智能系统的生命周期是一个定义人工智能要解决的问题的迭代过程，
医疗工作者种族平等标准 (MWRES)
医疗领导。刺激行动解决这些不平等问题的第一步是设计一套指标，这些指标可以每年发布一次，使整个 NHS 系统能够认识到不平等并开始采取行动解决它。这些指标借鉴了研究证据，数据收集的贡献者包括各种组织，如英国医学总委员会、皇家医学院、医学院理事会和英国健康教育协会。这种合作反映了对集体行动的承诺，因为医生的专业发展、培训、薪酬、任命和领导角色的机会不仅受到 NHS 信托基金领导人的影响，也受到这些组织的影响。为了使 MWRES 能够阐明医疗队伍中的种族不平等，并确定行动领域，它需要考虑这些复杂性，并纳入所有这些利益相关者组织收集的数据和信息。他们对设计和数据收集的支持值得承认。