Why Are Women Underrepresented in the American IT Industry? The Role of Explicit and Implicit Gender Identities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Gender inequality in the IT profession is an acute issue with major individual, societal, and national implications. In this study, we build on the individual differences theory of gender and IT and extend it to account for subconscious processes that may drive women away from IT university majors and IT career choices. We specifically theorize on how the asymmetric roles of explicit and implicit gender identity facets impact the major selection of men and women students and affect their decisions to pursue the IT profession. To do so, this study introduces the concept of implicit gender identity, defined as the degree to which men and women subconsciously, automatically, and uncontrollably associate themselves with the masculine and feminine gender groups, respectively. We obtained data from 185 pre-major selection university students by means of a survey and the Implicit Association Test. The findings revealed that implicit gender identity was a significant predictor of IT major and career choices for women but not for men university students. Explicit gender identity had no influence on IT major and career choices for men or women university students. Nevertheless, men’s and women’s IT major and career choices appear to be similarly influenced by normative pressures. IT skills and IT work experience also impact such choices. Ultimately, this study shows that implicit gender identity can be a factor that drives women university students away from the IT profession and contributes to the gender gap in the field.
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.
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 découle