Bibliographic record
Abstract
Présentation « Dossier spécial » Femmes et entrepreneuriatDepuis quelque temps déjà, l'entrepreneuriat est un sujet qui suscite beaucoup d'intérêt, particulièrement dans le développement économique.Par exemple, le ministère de l'Économie et de l'Innovation (MEI, anciennement MDEI) a lancé la Stratégie québécoise de l'entrepreneuriat en 2011 afin d'offrir plus de soutien à tous les entrepreneurs et entrepreneures du Québec.On tient alors pour acquis que ces derniers sont tous égaux et qu'ils ont accès aux mêmes ressources.Or, ce constat n'est pas toujours exact.En effet, certains auteurs relèvent des distinctions spécifiques au genre de l'entrepreneur.Par exemple, les femmes croient qu'elles doivent investir davantage que les hommes pour réussir financièrement (Sperber et Linder, 2019) et qu'il est important que leur succès se définisse par l'équilibre entre le travail et la vie privée, et ce, au sein d'entreprises plus petites et plus stables (Sperber et Linder, 2019;Lee-Gosselin et Grise, 1990).Selon Slate (2007), les motivations premières des entrepreneures sont un désir de flexibilité et un intérêt particulier pour travailler avec des membres de leur famille.Au contraire, les motivations entrepreneuriales traditionnelles (qu'on attribue surtout aux hommes) demeurent le besoin de réalisation, la prise de risque, la tolérance à l'ambiguïté, le lieu de contrôle (locus of control), l'autoefficacité et la poursuite de buts déterminés (Shane et collab., 2003).Ces différences ont nécessairement des impacts sur la façon de se lancer en affaires et sur le type d'entreprise que les entrepreneures créent.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.027 | 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".