La professionnalisation de la gestion de projets et son effet d’exclusion
Bibliographic record
Abstract
Les femmes sont sous-représentées dans la conception de logiciels sur mesure, malgré les interventions politiques visant l'équité dans ce secteur, tant en Amérique du Nord qu'au sein de l'Union européenne. Les choix de formation des filles sont bien sûr en cause, mais n'expliquent pas tout; ces femmes abandonnent ces emplois bien rémunérés en plus grande proportion que les hommes, pendant que ces secteurs souffrent d'une pénurie de main-d'oeuvre. L'étude de la conciliation entre la vie privée et la vie professionnelle permet de mieux rendre compte de ce phénomène. La gestion de projets entraîne un effet d'exclusion des femmes, qu'on explique par l'exigence deflexibilité, soit de se prêter à des heures supplémentaires illimitées et imprévisibles, souvent sans rémunération en sus. Dans cet article, nous proposons que le modèle même deprofessionnalisationemprunté par les gestionnaires de projet induit un ethos qui promeut le respect des impératifs en matière d'heures de travail et soutient l'effet d'exclusion plus qu'il ne le module.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.069 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.011 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".