L’impact des stéréotypes de genre dans l'évaluation des femmes chefs de parti
Bibliographic record
Abstract
Le seul fait d’être une femme représente-t-il un avantage ou désavantage en politique ? Afin de répondre à cette question, je me base sur les stéréotypes de genre et les évaluations des chefs de partis. J’utilise les données provenant des Études Électorales canadiennes de 1988 et 1993. Afin de déterminer si les femmes sont jugées plus ou moins capables d’être de bonnes politiciennes, j’ai retenu cinq variables qui représentent le jugement que les électeurs font d’un chef de parti : une évaluation globale allant de 0 à 100 et les perceptions du niveau d’intelligence, de leadership, fiabilité et compassion des chefs. Je trouve que, tout au moins pour l’élection de 1993, les cheffes femmes sont systématiquement jugées moins positivement en général et particulièrement eu égard aux traits stéréotypés masculins. Cependant, je trouve que le genre d’un répondant a peu d’effet sur cette évaluation. Ceci signifie que les femmes ne vont pas automatiquement mieux noter une candidate plutôt qu’un candidat. Par ailleurs, les conclusions obtenues dans le cadre de cette recherche ne sont pas généralisables à toutes les élections canadiennes. En effet, seulement deux élections sont analysées, avec deux candidates et quatre candidats.
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 | 0.008 | 0.021 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".