MétaCan
Menu
Retour à la cohorte
Enregistrement W4396581915 · doi:10.9734/jerr/2024/v26i61158

Artificial Intelligence, Big Data, and Cloud Infrastructures: Policy Recommendations for Enhancing Women's Participation in the Tech-Driven Economy

2024· article· en· W4396581915 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Engineering Research and Reports · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Economy and Work Transformation
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCloud computingBig dataBusinessPolitical scienceComputer scienceData miningLaw

Résumé

récupéré en direct d'OpenAlex

This study investigates the underrepresentation of women in Artificial Intelligence (AI), Big Data, and Cloud Infrastructures, exploring the barriers and challenges they face and assessing the effectiveness of current policies and initiatives to promote gender diversity within the tech industry. Employing quantitative research methods, the study used a survey distributed to 572 female professionals in tech-related roles across various industries, achieving a 67.9% response rate. Multiple regression analysis was utilized to test four main hypotheses concerning barriers to entry and advancement, the inclusivity of educational programs, the impact of diverse teams on innovation and performance, and the effectiveness of gender-inclusive policies. Key findings indicate that the type of organization and specific tech sectors significantly influence the barriers experienced by women. Notably, gender diversity within teams correlates strongly with improved innovation and performance. However, educational and training programs often fail to be sufficiently inclusive, underscoring the need for programs better tailored to women's needs in tech fields. Moreover, the study confirms that implementing gender-inclusive policies substantially increases women's participation in tech roles, especially when these policies are applied long-term. Based on the findings, recommendations are made for adopting comprehensive, inclusive practices at organizational and educational levels, promoting diversity in team composition and leadership, committing long-term to effective policy implementation, and developing supportive networks through mentorship and sponsorship programs. These measures are aimed at reducing gender disparities and enhancing the integration of women into the high-tech economy. The study underscores the critical role that strategic policy-making and organizational change play in fostering an inclusive tech environment that not only addresses gender disparities but also enhances overall industry innovation and performance.

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 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)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,828
Score d'incertitude au seuil0,362

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,084
Tête enseignante GPT0,398
Écart entre enseignants0,314 · 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