Artificial Intelligence, Big Data, and Cloud Infrastructures: Policy Recommendations for Enhancing Women's Participation in the Tech-Driven Economy
Notice bibliographique
Résumé
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.
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 | 0,018 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 ».