‘It Is Time to Operate Like a Woman’: A Corpus Based Study of Representation of Women in STEM Fields in Social Media
Notice bibliographique
Résumé
This study explores the discourse of women in science, technology, engineering and mathematics or medicine (STEM) fields produced by Twitter users on social media, with a particular focus on language usage and function in this discourse. The exploration of the women in STEM discourse was achieved by collecting a body of tweets using popular hashtags addressing women in STEM from the last week of October 2017. Following a corpus-based approach, this study analyzes the most frequent evaluative adjectives and 4-grams. Results from the analysis of evaluative adjectives show that Twitter users represent women in STEM fields positively by using positive adjectives such as great, amazing, inspirational etc. Furthermore, the analysis of the most frequent 4-grams reveals that Twitter users employ hashtags such as #ilooklikeasurgeon and #womeninSTEM to promote the work of women in STEM fields, show their appreciation of women working and studying in STEM and challenge prevalent gender stereotypes of STEM professions. It was found that the production of women in STEM discourse by most Twitter users has contributed to increasing the strength of women in the STEM community in social media, evidenced by their practices of advocacy, networking and challenging gender biases online. The discourse of women in STEM in social media is an example of discursive activism that focuses on the larger dialogue of women in STEM and highlights dominant forms of sexism and gendered stereotypes of women’s work in male dominated professions.
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 | 0,001 | 0,006 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».