Examining Barriers to Entry: Disparate Gender Representation in Cybersecurity Within Sub-Saharan Africa
Notice bibliographique
Résumé
Globally, women are underrepresented in the fields of Science, Technology, Engineering and Mathematics (STEM). In Sub-Saharan Africa (SSA), this underrepresentation is even more prevalent, as fewer women pursue STEM careers in SSA when compared to the global norm. Cybersecurity is a critical subsection of STEM; one that is widely accepted as a field with enormous growth potential, yet only a small proportion of these jobs belong to women. Despite attempts to narrow the gender gap in cybersecurity, persistent factors still contribute to this disparity. Within this field, developing countries struggle with the same issues that impact their more developed counterparts. Issues that impact both SSA and the global participation of women in cyber-security include lacking representation and awareness as well as retention problems. Further, issues such as harassment, gender bias and the idea that cybersecurity is a “man’s world” are also contributing factors. A slew of other factors is also at play in SSA; this includes issues of low school attendance by girls, restricted educational opportunities, and other systemic challenges. Girls and women are less likely to complete lower and secondary education, which has a ripple effect – fewer women reach higher education in SSA when compared to global trends. Generally, higher or tertiary education is necessary to join the cybersecurity workforce. Research exploring the challenges women in SSA face when trying to enter the cybersecurity field is limited. This paper presents an overview of the most persistent challenges faced in SSA and globally. It highlights the current skill shortage in the cybersecurity field that is exasperated by global challenges, including issues unique to the region. Educational pathways available to girls and women are explored, as well as the issues leading to widespread skill shortages within SSA. Programs striving to increase the participation of women in cybersecurity are discussed. Lastly, some suggestions to remediate this pervasive issue are also provided.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».