MétaCan
Menu
Retour à la cohorte
Enregistrement W4297362192 · doi:10.1108/ijge-05-2022-0089

Building back better through feminist entrepreneurship policy

2022· article· en· W4297362192 sur OpenAlexaff
Barbara Orser

Notice bibliographique

RevueInternational Journal of Gender and Entrepreneurship · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueEntrepreneurship Studies and Influences
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésOperationalizationEntrepreneurshipEmpowermentSociologyThematic analysisPublic relationsEconomic growthPolitical scienceEconomicsSocial scienceQualitative research

Résumé

récupéré en direct d'OpenAlex

Purpose Most feminists policies are aspirational. Deficiencies include vague terms of what constitutes ‘feminist’ within policy, ambiguous investment criteria, lack of consultation and the use of the binary definition of gender negating gender-diverse people (Tiessen, 2019). The purpose of this study is to identify parameters that characterize feminist entrepreneurship policies and to advance recommendations to operationalize these policies. Design/methodology/approach The COVID-19 pandemic has unveiled fragilities in the socio-economic gains that women entrepreneurs have achieved. Gender-regression is, in part, the product of entrepreneurship policies that fail to recognize the nature and needs of women entrepreneurs. To inform recovery measures, this article considers two research questions: what are the parameters of feminist entrepreneurship policies? and how can parameters of feminist entrepreneurship policy be operationalized in pandemic recovery measures? To inform the questions, the study draws on the academic literature and thematic analysis of three collective feminist action plans to operationalize ten parameters that characterize feminist entrepreneurship policy. Findings Supplanting ‘feminist’ for women in the construction of entrepreneurship policies, without specifications of how parameters differ dilutes government's efforts to achieve gender quality and women's economic empowerment. To inform policy, recommendations of three feminist recovery policies clustered under seven themes: importance of addressing root causes of inequality; need to invest in social and economic outcomes; economic security; enhancing access to economic resources; investment in infrastructure; inclusive decision-making; and need for gender disaggregated data to inform policy. Differences in policy priorities between collective feminist recovery plans and the academic literature are reported. Research limitations/implications The parameters of feminist entrepreneurial policy require further interpretation and adaptation in different policy, cultural and geo-political contexts. Scholarly attention might focus on advisory processes that inform feminist policies, such as measures to address gender-regressive impacts of the COVID-19 pandemic. Research is also needed to understand the impacts of feminist policies on the lived experiences of diverse women entrepreneurs. Limitations: The study design did not incorporate viewpoints of policymakers or capture bureaucratic boundary patrolling practices that stymie feminist policies. Thematic analysis was limited to three feminist recovery plans from two countries. Practical implications Recommendations to operationalize feminist entrepreneurship policies in the context of pandemic recovery are described. Originality/value Ten parameters of feminist entrepreneurship policy are explored. The conceptual study also advances a framework of feminist entrepreneurship policy and considers boundary conditions for when and how the parameters are applicable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,812
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,287
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Gender and EntrepreneurshipMême sujetEntrepreneurship Studies and InfluencesTravaux en français237 207