Notice bibliographique
Résumé
Women’s underrepresentation in high-tech roles derives from the historical, political and economic forces embedded in communication technologies. The advancement of Artificial Intelligence risks deepening this gender gap by replicating and displacing feminized labour. This paper employs a feminist, Marxist, political economy framework to examine the historical and contemporary marginalization of women’s labour in communication technologies. Henceforth, this paper asks, ‘How has the historical feminization of women’s labour in communication technologies shaped the structural gender gap in today’s digital economy?”. Tracing the feminization of women’s labour from the telegraph, typewriter and telephone to modern technologies like the computer, social media and AI, this study exposes the patriarchal social dimensions of communication commodities that maximize profit through feminized labour while isolating women to subordinate, ‘soft’ roles. Findings emphasize that historically, women’s affective labour was deemed economically suitable to operate communication technologies due to traits stereotypically associated with femininity, through attentive, emotional and submissive behaviour. Although female labour was foundational to technological advancement, this work was precarious. Simultaneously, the female gender became naturally attached to the identity associated with communication technologies. In today’s digital economy, women retain soft roles as social media labourers. Artificial Intelligence, exemplified by female digital voice assistants, mechanizes this feminized labour. Traditional gender norms have been embedded in digital systems, where AI automates the affective labour historically performed by women, intensifying their displacement to precarious gig work and reinforcing historical inequities. By illuminating the social forces shaping communication technologies, this paper argues that the persistent gender gap in the digital economy is rooted in the historical feminization of labour. As AI automates affective labour, it is apparent that communication technologies are primed to continue excluding women from an industry ripe with power and profit.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».