Comparing Gender Differences in Computer Science and Management Information Systems Majors
Notice bibliographique
Résumé
Why do so few women major in computer science (CS) or management information systems (MIS)? Are the reasons for women’s underrepresentation in these two disciplines the same? I will address these issues by reporting on my research on female and male undergraduates majoring in CS or MIS. I hypothesize that results from one area of information technology (IT), such as CS, do not necessarily generalize to other areas of IT, such as MIS. Structural barriers exist that keep women from advancement in IT careers (cf. Ahuja, 2002). However, an examination of these is beyond the scope of this article, which focuses on gender differences in IT students. In 2002 only 27.6% of U.S. Bachelor’s degrees in CS and 36.8% in MIS were conferred on women (U.S. Department of Education, 2002), limiting the number of women qualified to enter into the IT workforce. The problem of women’s under representation in IT is not limited to the U.S. Women are underrepresented in CS majors in other Western countries such as Canada (Gadalla, 2001), Germany (Huber, Reiff, Ben, & Schinzel, 2001), Norway (Berg, Gansmo, Hestflatt, Lie, Nordli, & Sorenson, 2002), and Ireland (MacKeogh, 2003). IT cannot afford to underutilize such a valuable and significant part of the workforce. Increasing the representation of women is imperative because “greater diversity among those who create computing technology ensures that those technologies are relevant to and usable by a wider range of people” (Roberts, 2003).
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».