Technology adoption and gender-inclusive entrepreneurship education and training
Notice bibliographique
Résumé
Purpose Drawing on social feminist theory, this paper aims to close gaps between knowledge about gender-related barriers to information, communication and technology (ICT) adoption and the provision of entrepreneurship education and training (EET) programs. Design/methodology/approach Empirical findings are drawn from 21 semi-structured interviews (22 informants) possessing differing training expertise regarding digital technology among women entrepreneurs. An open-coding technique was adopted where descriptive codes were first assigned to meaningful statements. Interpretive and pattern codes were then assigned to indicate common themes and patterns, which were reduced to higher-order categories to inform the research questions. Findings The findings specify and validate further gender influences in the digital economy. Digital skills are identified, and strategies to close gender barriers to ICT adoption with EET are described. The findings are discussed in reference to a large-scale, Canadian ICT adoption program. Research limitations/implications Perceptual data may be idiosyncratic to the sample. The work did not control for type of technology. Gender influences may differ by type of technology. Practical implications Findings can be used to construct gender-inclusive ICT supports and inform ICT adoption policies. This includes program eligibility and evaluation criteria to measure the socio-economic impacts. Originality/value The study is among the first to examine the intersection between knowledge about gender-related barriers to ICT adoption and EET. The findings can be adopted to ICT support programs targeted at small business owners and entrepreneurs.
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 | 0,001 | 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 ».