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 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 | 0.002 |
| Science and technology studies | 0.009 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".