Shadow of a doubt: a network analysis of mentoring as a screen industry equity intervention
Notice bibliographique
Résumé
Purpose Policies intended to encourage gender equity in the film industry are ramifying and take many forms. This paper uses social network analysis to assess the effectiveness of one popular equity policy, shadowing, a form of mentoring. In shadowing programs, women and gender minorities (WGM) are connected to more experienced members of the industry through attachment to their productions. Design/methodology/approach We constructed real collaboration networks based on film releases from 2005 to 2020 in three countries and simulated the effects that hypothetical shadowing interventions would have on the distribution of social capital in these networks. We implement different versions of the intervention, including different eligibility criteria for shadows and shadowees as well as isolating the additive effects on participants’ project portfolios. Findings We find that shadowing is effective in enabling WGM to access the strongest network positions, which are currently disproportionately occupied by men. However, we show that the primary reason that shadowing is effective in doing this is because it provides a second project affiliation to WGM in an industry where it is difficult to get past one’s first project. Originality/value Our study contributes to the literature on how mentoring policies affect people’s professional networks as well as scholarship on mentoring as a gender equity policy. We contribute novel evidence to debates about the efficacy of shadowing programs for WGM in the film industry. We suggest that shadowing can be effective as a tool for not only helping individual WGM advance their careers but also for structurally reconfiguring the distribution of power in project-based collaboration networks.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».