Pathways to green careers: using MICMAC analysis to address gender barriers in STEM-related TVET education in Colombia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Women’s participation in Green-STEM (Science Technology Engineering and Mathematics) careers remains low. This study examined how to remove gender barriers in Environmental-STEM technical and vocational training programs, aiming to expand opportunities for women in the green economy. SENA, Colombia’s public TVET institution, served as the case study. Gender Transformative and Participatory Action Research approaches, along with the MICMAC method, were used to identify, analyze, and address key barriers. Surveys, interviews and focus groups provided qualitative and quantitative data. The MICMAC analysis revealed the relationships among barriers and their interdependencies, identifying nine core barriers. To address these, women-led smart strategies were implemented through learning cycles, supported by small- and full-scale green pilots focused on sustainable resource utilization, production patterns, and circular economy knowledge transfer. As a result, female apprentices strengthened their sustainability-focused skills and confidence, while SENA enhanced its capacity to foster more inclusive Green-STEM vocational pathways. This study expands existing knowledge by deepening the understanding of gender barriers in vocational STEM careers related to sustainability and environmental management in Latin America, where research remains Limited. It offers actionable recommendations on leveraging education to drive progress toward SDGs 4, 5, 12, and 13.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle