Standing on the shoulders of giantesses: how women technology founders use single and mixed gender networks for success and change
Notice bibliographique
Résumé
Purpose Building on research about entrepreneurship and social capital, the purpose of this paper is to explore how women founders of technology-based ventures in Canada access and use formal external entrepreneurial networks to build their companies. Design/methodology/approach The study draws on 25 semi-structured interviews with women founders of technology firms and leaders of formal networks. Findings The authors demonstrate the positive impact of women only networks (WON) for founders including increasing entrepreneurial diversity, access to financing, and founder credibility and sponsorship. The authors show how women founders use mixed gender and WON to build their businesses and conclude that membership in WON can be a vital step. Research limitations/implications The sample size is small and most participants reside in highly urban areas, which may limit generalizability. Findings may not generalize beyond Canada due to cultural and structural differences. Practical implications The research suggests that external WON should be encouraged as important resources for founder identity work which may enable positive change. Social implications This research can assist in designing initiatives that support women entrepreneurs and promote gender parity. Originality/value The authors draw on research in women's leadership development to explain how WONs for entrepreneurs help founders create overlapping strategic networks – a unique form of social capital – and serve as identity workspaces for the identity work women founders must complete. The authors argue that the identity work in WONs can be a mechanism by which gender structures are challenged and eventually changed.
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 | 0,000 |
| 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 ».