A Triple Penalty for Women Entrepreneurs? A University and Field Experiment of STEM Pitches Using AI
Notice bibliographique
Résumé
Research on resource acquisition for women entrepreneurs argues that there is a “double penalty” faced by women when they develop products and seek funding: a structural one associated with being a woman (versus a man), and behavioral one, for acting in ways consistent with stereotypes of women versus men seeking funding. We investigate the possibility of a third penalty, one associated with AI use, a novel technology for augmenting entrepreneurial knowledge and activities but also of debated legitimacy. We do so in the context of science, technology, engineering and management (STEM) product development and commercialization. In that context novelty is prized and female entrepreneurship encouraged, particularly by government-related funding agencies, making it a conservative test of the triple penalty possibility. In our university based experiment, we found some evidence of all three penalties for women STEM entrepreneurs, and of evaluator effects. However, the woman STEM entrepreneur sometimes earned more - or were penalized less - than the male. In the field experiment with the government funding unit for the pitched products, we found that AI use itself was punished for both men and women science team members pitching with it for seed-funding, but being a woman and/or being evaluated by man as a panel member did not make a large direct difference, rather the products’ characteristics did. Our research contributes to research on women STEM entrepreneur resource acquisition in the technology sector as well as to work on pitching. Our work also has secondary contributions to burgeoning research on the use of generative AI as an entrepreneurial tool.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».