Inferior: The Challenges of Gender Parity in the Artificial Intelligence Ecosystem-A Case for Canada
Notice bibliographique
Résumé
Artificial Intelligence (AI) systems are gaining momentum in complementing and/or replacing performing tasks typically done with the aid of human ability. AI systems, inherently human creations, are, however, beset by, wittingly or unwittingly, so-called male chauvinism, despite all the advancements made in the progress of civilization to make inroads for women's equitable participation in the labor force, particularly in relation to the digital economy, and more importantly, AI. In regards to the Canadian context, this perspective has examined the evidence to find research highlighting gender representation in the Canadian AI ecosystem. We found a lack of studies on women and their contribution to AI-related activities. Canadian women's participation in their country's AI sector therefore should go beyond mere instruments such as the Montreal Declaration for a Responsible Development of AI, and disjointed interests. On a more general level, the paucity in a paradigm shift toward AI-female friendly policies from design phase to implementation omits the female voice for adequate representation for action. Advocating for Canadian women in the AI sector requires a voice of unison best achieved through parliamentary action. This perspective is thus issuing a clarion call to attaining gender fairness and equity, global principles under the United Nations (UN) Sustainable Development Goals, to which the Government of Canada is committed.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».