Academic Women’s Labour During the COVID-19 Pandemic: A Review and Thematic Analysis of the Literature
Notice bibliographique
Résumé
The COVID-19 pandemic has impacted academic labour, with women being disproportionately negatively affected. This scoping review provides an exploratory snapshot into the corpus of literature investigating the impact of the pandemic on academic labour. We used a set of criteria to first identify the 86 titles from which we selected 45 as the data set. We analyzed the data on characteristics of location, investigative methods, publication information, and discipline. The findings showed that most of the data were global in context; used primarily qualitative methodologies; published in a wide variety of journals; and spanned diverse disciplines, including science and health, education, business, sociology, and political sciences. We then analyzed the data thematically. The themes we identified were gender inequity, identities and intersectionality, performing work-home binaries, and invisible labour. We added a fifth theme, lived experiences, consisting of women academics’ firsthand accounts. We consider this theme unique, despite its overlap with the other themes, because it is evidence of women academics telling their personal stories. We discuss how our findings show that pandemic conditions worsened existing inequities. The solutions most often cited in the data place emphasis and responsibility on the individual, but we argue that institutions should instead be responsible to redress inequities through improving workplace labour processes. Our research can aid future research on how policy theory can inform socially just policies and practices in the post-pandemic university.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».