The Gender-Gap Artifact: Women's Underperformance in Quantitative Domains Through the Lens of Stereotype Threat
Notice bibliographique
Résumé
Women in the traditionally masculine field of mathematics must contend with stereotypes that allege a sex-based math inability. The threat of being personally reduced to these gender stereotypes can evoke a disruptive state that undermines women's math performance – a situational predicament termed “stereotype threat.” Women are susceptible to stereotype threat whenever they risk fulfilling, or being judged by, a negative gender stereotype that provides a plausible explanation for their behavior in a given domain. This chapter examines the insidious effects that stereotype threat can have on women's performance and aspirations in all quantitative fields. Picture in your mind the typical computer scientist. Now picture the typical librarian. Is the librarian shy and the computer scientist socially awkward? Do they both wear glasses? Are they both inept at sports? Is the computer scientist a male and the librarian a female? Most people can clearly articulate the content of stereotypes targeted at various groups in our society, and gender stereotypes are no exception. As Brown and Josephs (1999) suggest, stereotypes regarding gender differences in math and science ability still pervade contemporary Western thought. In fact, if you assumed that the direction of those gender differences benefited men, you have just displayed personal knowledge of some of the negative stereotypes targeted at women in our culture. This is not meant to imply that you personally endorse those stereotypes – research has shown no relationship between personal beliefs and knowledge of stereotypes (Devine, 1989; Devine & Elliot, 1995).
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».