Untersuchung von Geschlechterbias bei akademischen Beförderungen in Italien
Dieser Artikel untersucht Geschlechterbias bei Beförderungen in der akademischen Welt der Softwareentwicklung und Informatik in Italien.
― 5 min Lesedauer
Inhaltsverzeichnis
Gender-Bias in Bildung und am Arbeitsplatz ist in den letzten Jahren ein grosses Thema geworden. Während viele Studien sich darauf konzentriert haben, wie dieser Bias Schüler*innen betrifft, gibt es noch viel zu lernen, wie er akademisches Personal beeinflusst, besonders in Bereichen wie Software-Engineering und Informatik. Dieser Artikel schaut sich an, wie Gender-Bias bei akademischen Beförderungen in diesen Bereichen in Italien eine Rolle spielt.
Die Wichtigkeit, Gender-Bias anzugehen
Gender-Bias bedeutet, dass Leute unfair behandelt oder diskriminiert werden, basierend auf ihrem Geschlecht. In der Akademie kann das Hiring, Beförderungen und andere Karrierechancen betreffen. Zu verstehen, wie stark dieser Bias ausgeprägt ist, ist wichtig, um eine faire und gerechte Arbeitsumgebung zu schaffen. Wenn wir die akademischen Beförderungen in Informatik und Software-Engineering untersuchen, können wir sehen, ob es Gender-Bias gibt und wie er sich über die Jahre entwickelt hat.
Aktuelle Forschungslandschaft
Die Forschung zu Gender-Bias in der Akademie hat stark zugenommen. Viele Studien haben die Herausforderungen hervorgehoben, mit denen Frauen beim Erreichen akademischer Erfolge konfrontiert sind. Allerdings konzentrieren sich die meisten dieser Studien eher auf Schüler*innen als auf Fakultätsmitglieder und deren Beförderungen. Dieser Artikel möchte diese Lücke füllen, indem er analysiert, wie Gender-Bias akademische Beförderungen in Italien, speziell in Informatik und Software-Engineering, beeinflusst.
Methodologie: Wie die Daten gesammelt wurden
Um Gender-Bias effektiv zu analysieren, haben die Forscher Daten zu akademischen Beförderungen aus verschiedenen Quellen gesammelt. Die Daten enthalten persönliche Informationen wie Alter und Geschlecht, Details zu akademischen Karrieren wie ausgeübte Positionen und Verantwortlichkeiten sowie wissenschaftliche Produktivitätskennzahlen wie Publikationszahlen und Zitationen. Diese Daten wurden von offiziellen Webseiten von Universitäten und Forschungseinrichtungen in Italien gesammelt.
Die gesammelten Daten wurden dann sorgfältig anonymisiert, um die Identität der betroffenen Personen zu schützen. So bleibt die persönliche Information vertraulich, während die Forscher dennoch Trends und Muster im Zusammenhang mit Gender-Bias analysieren können.
Analyse von Gender-Bias bei Beförderungen
Die Studie konzentrierte sich auf zwei wichtige Übergänge in akademischen Karrieren: den Wechsel vom Forscher zur Juniorprofessorin und vom Juniorprofessor zur Professorin. Die Analyse verwendete eine Kennzahl namens Disparate Impact, die misst, wie wahrscheinlich es ist, dass Personen aus verschiedenen Geschlechtsgruppen positive Ergebnisse, wie Beförderungen, erhalten.
Durch den Vergleich der Daten von männlichen und weiblichen Akademikern in den Bereichen Informatik und Software-Engineering wollten die Forscher signifikante Unterschiede in den Beförderungsraten identifizieren. Diese Methode ermöglicht ein klareres Verständnis davon, wie Gender-Bias in akademischen Umfeldern auftauchen kann.
Ergebnisse: Trends über die Jahre
Die Analyse zeigte interessante Trends in Bezug auf Gender-Bias bei akademischen Beförderungen von 2018 bis 2022:
Beförderungen zur Juniorprofessorin: In Informatik und Software-Engineering zeigte die Datenlage einen leichten Anstieg des Gender-Bias. Allerdings zeigte das Software-Engineering ein höheres Mass an Bias im Vergleich zur breiteren Informatik-Community. Das bedeutet, dass weibliche Forscher*innen im Software-Engineering grössere Herausforderungen hatten, um zu Juniorprofessorinnen befördert zu werden als ihre männlichen Kollegen.
Beförderungen zur Professorin: Bei den Beförderungen zur Professorin sah die Situation anders aus. Die Software-Engineering-Community zeigte ein niedrigeres Mass an Bias im Vergleich zur Gesamtinformations-Community. Das deutet darauf hin, dass während Beförderungen zur Juniorprofessorin Männer im Software-Engineering tendenziell bevorzugt werden, sich der Trend ändert, wenn man die Beförderungen zur Professorin betrachtet, wo Frauen anscheinend bessere Chancen haben.
Die Implikationen der Ergebnisse verstehen
Diese Ergebnisse zeigen, dass Gender-Bias kein einheitliches Problem bei allen akademischen Beförderungen ist. Die beobachteten Muster legen nahe, dass, obwohl die Software-Engineering-Community in einigen Bereichen Fortschritte gemacht hat, sie immer noch einzigartigen Herausforderungen in Bezug auf Geschlechtergerechtigkeit gegenüber steht.
Es ist wichtig, dass Universitäten und akademische Institutionen diese Trends erkennen, um Massnahmen zur Minderung von Bias zu ergreifen. Ein höheres Bewusstsein und Verständnis darüber, wie geschlechtsspezifische Diskriminierung sich äussert, kann zu gezielteren Interventionen führen, die faire Beförderungspraktiken unterstützen.
Zukunftsperspektiven für die Forschung
Die Studie eröffnet auch Möglichkeiten für zukünftige Forschung. Andere Länder können von ähnlichen Studien profitieren, die akademische Beförderungen in unterschiedlichen Kontexten untersuchen. Durch das Sammeln von Daten aus verschiedenen Quellen können Forscher ein umfassenderes Bild des Gender-Bias in der akademischen Welt weltweit erstellen.
Zusätzlich könnten zukünftige Studien den Einfluss von maschinellen Lernalgorithmen auf Einstellung und Beförderungen untersuchen. Indem diese Algorithmen mit den gesammelten Daten trainiert werden, können Forscher evaluieren, ob sie bestehende Bias verstärken und wie man sie anpassen kann, um gerechtere Ergebnisse zu erzielen.
Fazit
Gender-Bias bleibt eine ernsthafte Herausforderung in akademischen Umfeldern, besonders in den Bereichen Informatik und Software-Engineering. Durch die Untersuchung der Beförderungsmuster von männlichen und weiblichen Akademikern in Italien haben die Forscher wichtige Trends hervorgehoben, die unterschiedliche Bias-Niveaus anzeigen. Diese Probleme anzugehen erfordert eine gemeinsame Anstrengung von akademischen Institutionen, politischen Entscheidungsträgern und Forschern, um Gerechtigkeit bei Beförderungspraktiken zu gewährleisten.
Mit wachsendem Bewusstsein und der Sammlung weiterer Daten besteht die Hoffnung, dass akademische Umgebungen sich weiterhin verbessern und ein inklusiveres und gerechteres Klima für Akademiker*innen aller Geschlechter schaffen. Der Weg zur Geschlechtergerechtigkeit in der Akademie ist ein andauernder Prozess, und anhaltende Wachsamkeit und Massnahmen sind entscheidend, um Barrieren abzubauen, die den Fortschritt behindern.
Titel: Data-Driven Analysis of Gender Fairness in the Software Engineering Academic Landscape
Zusammenfassung: Gender bias in education gained considerable relevance in the literature over the years. However, while the problem of gender bias in education has been widely addressed from a student perspective, it is still not fully analysed from an academic point of view. In this work, we study the problem of gender bias in academic promotions (i.e., from Researcher to Associated Professor and from Associated to Full Professor) in the informatics (INF) and software engineering (SE) Italian communities. In particular, we first conduct a literature review to assess how the problem of gender bias in academia has been addressed so far. Next, we describe a process to collect and preprocess the INF and SE data needed to analyse gender bias in Italian academic promotions. Subsequently, we apply a formal bias metric to these data to assess the amount of bias and look at its variation over time. From the conducted analysis, we observe how the SE community presents a higher bias in promotions to Associate Professors and a smaller bias in promotions to Full Professors compared to the overall INF community.
Autoren: Giordano d'Aloisio, Andrea D'Angelo, Francesca Marzi, Diana Di Marco, Giovanni Stilo, Antinisca Di Marco
Letzte Aktualisierung: 2023-09-20 00:00:00
Sprache: English
Quell-URL: https://arxiv.org/abs/2309.11239
Quell-PDF: https://arxiv.org/pdf/2309.11239
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.
Referenz Links
- https://doi.org/10.1111/1467-9485.00199
- https://doi.org/10.1111/jasp.12780
- https://cercauniversita.cineca.it/php5/docenti/cerca.php
- https://ustat.miur.it/
- https://reclutamento.murst.it/
- https://abilitazione.miur.it/public/pubblicacandidati.php
- https://www.sobigdata.eu
- https://bit.ly/3Ap7ELW
- https://bit.ly/3Nr04s1
- https://bit.ly/41Ejdef
- https://bit.ly/44oMZFP
- https://bit.ly/3npPkQa
- https://bit.ly/3LV2HkF
- https://bit.ly/42tnUrr
- https://bit.ly/42kj5kF
- https://bit.ly/3VzyYB9
- https://bit.ly/3LzAcrd
- https://bit.ly/3nvFgoz
- https://bit.ly/3AXRbyM