Working for Jessica or Michael? Implications of gender stereotypes for job application intentions at technology startups
Notice bibliographique
Résumé
Abstract Research Summary We examine a critical yet underexplored aspect of human resource management in nascent technology ventures: employee recruitment. Applying theories of gender stereotyping, we contend that female‐led technology startups face greater obstacles in attracting job applicants than their male counterparts. Evidence from a randomized online experiment conducted in 2020/2021 with 777 US job seekers substantiates this barrier, indicating that the disparities are partly rooted in gender‐stereotypical perceptions of female technology entrepreneurs as less competent, agentic, and warm, which contribute to less favorable assessments of their ventures' economic potential and employee empowerment potential. Startups with gender‐diverse leadership teams appear to overcome these biases. Confirmatory evidence comes from a 2024 replication study with 455 US job seekers, underscoring the need to address gender biases in the technological ecosystem. Managerial Summary In the competitive landscape of technology startups, attracting talent is key. Our study reveals that startups with female leaders face gender biases during recruitment, with job candidates perceiving female technology entrepreneurs as less competent, agentic, and warm—and their startup ventures as less likely to have what it takes to grow and to empower employees. Analysis from a randomized online experiment involving 777 US job seekers in 2020/2021 and a follow‐up study with 455 US job seekers in 2024 confirm such biases. Crucially, a gender‐balanced leadership team significantly counters such biases, enhancing the venture's appeal to potential hires. These insights highlight the need for technology startups to promote gender diversity within their leadership to dismantle stereotypes and attract a broader talent pool.
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 | 0,011 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».