Financement participatif et entrepreneuriat féminin : un moyen de briser le second plafond de verre?
Bibliographic record
Abstract
La diversité et l’inclusion sont de plus en plus considérées comme le moteur de croissance et de prospérité. Dans ce contexte, les femmes entrepreneures sont peu à peu plus nombreuses dans le secteur des petites entreprises. Malgré l’importance de l’entrepreneuriat féminin comme vecteur de croissance économique mondiale, les femmes entrepreneures sont plus susceptibles que leurs homologues hommes d’affronter plusieurs entraves à la création, à la survie et à la croissance de leur entreprise. Plus particulièrement, les difficultés d’accès au financement restent un des principaux obstacles auxquels elles font face. Bosse et Taylor (2012) désignent ce phénomène par le second plafond de verre (second glass ceiling). Le présent article s’intéresse aux inégalités en matière de financement traditionnel entre les femmes et les hommes d’affaires. Il examine dans quelle mesure le financement participatif permet d’éliminer ou, tout au moins, de réduire le biais de genre dans le cadre de financement traditionnel. Au moyen d’une revue de la littérature théorique et empirique, cet article tente de répondre aux questions suivantes : Pourquoi les femmes entrepreneures font-elles face à des contraintes financières lorsqu’elles ont recours au financement traditionnel? Le financement participatif constitue-t-il une option de financement innovante pour stimuler l’entrepreneuriat féminin?
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".