Gender and entrepreneurial self-efficacy: a learning perspective
Notice bibliographique
Résumé
Purpose – The purpose of this study was to investigate whether the four major factors known to contribute to self-efficacy in general (enactive mastery, vicarious experience, physiological arousal and verbal persuasion) can help account for observed differences in the entrepreneurial self-efficacy (ESE) of young women and men, in particular. Design/methodology/approach – The authors adopted a two-stage design, which included collecting data from 222 university students via an online survey followed by a quasi-experiment involving an opportunity evaluation task. Findings – The findings demonstrate that the significantly lower ESE of the young women in the sample was attributable to their lower level of prior entrepreneurial experience, their lower level of positive and negative affect towards entrepreneurship and their higher likelihood of receiving failure feedback due to their actual performance on an opportunity evaluation task. Research limitations/implications – Given the importance of understanding why females continue to be under-represented in entrepreneurial activity the world over, these findings provide additional insight into why young women tend to feel less efficacious than young men about their ability to successfully undertake an entrepreneurial career. Originality/value – This paper offers a comprehensive and unified theoretical framework, derived from social learning theory, for furthering the understanding of the factors that contribute to gender differences in ESE. The authors also offer a novel quasi-experimental design involving an opportunity evaluation task that others might find useful, particularly for empirical research adopting a cognitive and/or affective lens on entrepreneurship.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».