Facteurs déterminants de la réussite des femmes et de leur positionnement dans les carrières scientifiques en Côte d’Ivoire
Bibliographic record
Abstract
Dans cet article sur les femmes scientifiques en Côte d’Ivoire, nous nous interrogeons sur les circonstances qui les ont conduites dans des filières traditionnellement conquises par les hommes. Il s’agit notamment d’identifier et d’analyser les facteurs déterminants qui ont contribué à leur réussite dans des filières où elles étaient sous-représentées. Pour répondre à cette préoccupation centrale, nous avons eu recours à l’analyse de contenu du récit de vie de 26 femmes ayant étudié dans différents domaines scientifiques (mathématiques, ponts et chaussées, physique moléculaire, physique nucléaire, chimie, informatique, microbiologie). Leurs histoires font comprendre leurs parcours scolaires et professionnels, et fournissent des explications concernant leur réussite et leur positionnement dans leurs métiers. En effet, si les résultats obtenus indiquent que des facteurs intrinsèques liés à leurs performances, à la classe et à la composition sociale des familles les ont fait s’orienter vers les études scientifiques, un certain nombre de facteurs extrinsèques (discours politique, identification à un modèle, soutien extérieur, etc.) ont également influencé leurs parcours.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".