The Double Jeopardy of Ethnic Minority Women Entrepreneurs in Canada
Notice bibliographique
Résumé
Women entrepreneurs are under-researched in the entrepreneurship literature, in general, and in the ethnic-based literature, in particular. A 1982 to1995 review found only .007% of articles (22 out of 3206) focused on women entrepreneurs (Baker et al., 1997). A second 1995 to 1997/98 review, found .06% of articles (28 out of 435), across six journals and one proceedings, focused to some extent on women entrepreneurs (Brush & Edelman, 2000). An ethnic entrepreneurship specific, 1988 to 1999 literature review, across a range of academic discipline, found that only .04% (3 out of 80) of articles were focused on gender (Menzies, Brenner, Filion, in press). Various arguments are proposed for the lack of entrepreneurship gender-specific studies (Brush & Edelman, 2000). These arguments centre on the theme that more similarities than differences have been found in past studies, hence the redundancy of further study. There is also a bias towards studying large organizations, where male entrepreneurs predominate. Furthermore, gender is not in the forefront in terms of the currently popular research themes. Notwithstanding the very limited number of research studies on women entrepreneurs, there are many derogatory “myths” relating to women entrepreneurs. The US Diana Project (Brush, Carter, Gatewood, Greene, Hart, 2001) examined eight myths relating to women entrepreneurs. These myths included, for example, women don’t want to own high growth businesses, they don’t have the right education or experience to lead high growth businesses, they lack suitable networks, they are not financially savvy, and they don’t submit business plans. Women entrepreneurs who belong to an ethnic minority group are subject to a double jeopardy. They are disadvantaged because they are women and they are doubly disadvantaged if they also belong to an ethnic minority group. In this paper, we explore this double jeopardy, by examining the “derogatory myths” proposed in the US Diana Project. Data used in this study is based on a study of
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,012 |
| Études des sciences et des technologies | 0,014 | 0,005 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».