Encourager la participation des femmes en STIM : trois exemples de campagnes digitales (2017-2019)
Bibliographic record
Abstract
Bien que leur présence en STIM (sciences, technologies, ingénierie et mathématiques) ait augmenté de manière significative ces cinquante dernières années, les femmes demeurent largement sous-représentées dans ces secteurs à l’avenir florissant. Les nombreux facteurs contribuant à l’absence de parité dans les disciplines des STIM sont désormais bien documentés et, ces dernières années, de multiples acteurs ont mis en œuvre des campagnes de sensibilisation et de promotion afin d’encourager la participation des filles et des femmes aux STIM. Malgré ces efforts, le problème persiste et acquiert de plus en plus d’importance dans les débats actuels sur le genre et le travail. Dans une démarche comparative, cet article s’intéresse au déploiement de campagnes digitales visant à inspirer les jeunes filles et les femmes à emprunter la voie des sciences et technologies dans trois pays du Commonwealth : le Canada, l’Écosse et l’Inde. Il propose, tout d’abord, de revenir sur les raisons de l’importance grandissante de la question du genre et de la diversité en STIM. En veillant à replacer les campagnes dans leur contexte sociétal de production, il étudiera ensuite la manière dont chacune de ces campagnes permet aux femmes de reprendre le contrôle du récit et de contribuer à la déconstruction des stéréotypes de genre. Les campagnes choisies placent les questions de la représentation et de l’autoreprésentation des femmes en STIM au cœur du débat et donnent à voir comment les femmes en sciences et technologie perçoivent leur trajectoire ainsi que la culture de travail dans laquelle elles évoluent.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 teacher head, 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".