Mind the Gap: Understanding the Lack of Descriptive Representation of Asian American Women in Politics
Notice bibliographique
Résumé
Inadequate representation of both race and gender in politics remains a prevalent issue that is only further exacerbated by the intersection of these factors. This research attempts to understand precisely where the barriers to achieving this representation lie and focuses on the Asian American community, which saw the lowest levels of descriptive representation across all elected positions in 2020. Are Asian women not running in these elections to begin with? Or is it that their attempts at doing so are frequently met with disappointment? By compiling and analyzing a dataset of 738 Asian American political candidates running in either local, state, or federal elections, a small glimpse of insight was discovered. Women made up 47% of the listed candidates, suggesting that their willingness to become involved in politics was not to blame. This data also revealed patterns in both the primary and general elections. Most notably, Asian women at the federal primaries only secured a spot at the general election 46% of the time but of those candidates that progressed, 83% won their respective race. Arguments have been made that voters do not wish to elect women, and particularly women of colour, into political positions. This line of thinking may dissuade party members from selecting an Asian woman at the primary level, potentially opting for a candidate that they believe is more likely to attract voters at the general election. However, this data suggests that voters are willing to support a female Asian candidate – it is the party who is not. By failing to place confidence in these candidates, the parties themselves are contributing to this lack of descriptive representation. This research presents an opportunity for further investigation into addressing the root causes of this mentality and becoming one step closer to rectifying this gap.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».