/ en / Traditional / help

Beats Biblionetz - Texte

Best Practices in Academia to Remedy Gender Bias in Tech

Ursula Wolz, Lina Battestilli, Bruce Maxwell, Susan H. Rodger, Michelle Trim
Publikationsdatum:
Zu finden in: SIGCSE 2018 (Seite 672 bis 673), 2018 local web 
Erste Seite des Textes (PDF-Thumbnail)
Diese Seite wurde seit 2 Jahren inhaltlich nicht mehr aktualisiert. Unter Umständen ist sie nicht mehr aktuell.

iconZusammenfassungen

The New York Times published an op-ed by Anita Hill [3] suggesting that women in tech consider class action to remedy the gender bias that is increasingly being reported in the mass-media. This panel raises the question "what are we doing in undergraduate programs to reduce the 'Mad Men', 'Brogrammer' culture she describes that is increasingly being reported in the popular press. Part of our mission as educators is to develop professional behavior so that our students entering the workforce not only understand what it means to act professionally, but understand that it is their responsibility to actively push back on the existing bias within the tech culture. As moderator Ursula Wolz brings a depth of insight from 40 years of industrial and academic experience, including a National Science Foundation project to broaden participation in computing [5]. She does not believe this problem can be solved through quantitative data collection on who does well in computer science, but that SIGCSE needs to begin to collect good stories (ala Sally Fincher [2]) on what constitute best practices to support diversity. The panelists present a range of perspectives that have the potential to establish new cultural norms in the single most influential industry in our economy.

Von Ursula Wolz, Lina Battestilli, Bruce Maxwell, Susan H. Rodger, Michelle Trim im Konferenz-Band SIGCSE 2018 im Text Best Practices in Academia to Remedy Gender Bias in Tech (2018)

iconDieses Konferenz-Paper erwähnt ...


Personen
KB IB clear
Carol Dweck , Paola Medel , Vahab Pournaghshband

Begriffe
KB IB clear
fixed mindsetfixed mindset , GenderGender , gender bias , growth mindsetgrowth mindset , Informatikcomputer science , Informatik-Didaktikdidactics of computer science , Informatik-Unterricht (Fachinformatik)Computer Science Education
icon
Bücher
Jahr  Umschlag Titel Abrufe IBOBKBLB
2006 local  Selbstbild (Carol Dweck) 3, 7, 3, 3, 13, 3, 1, 6, 3, 2, 4, 3 8 40 3 63
2017 SIGCSE 2017 (Michael E. Caspersen, Stephen H. Edwards, Tiffany Barnes, Daniel D. Garcia) 5, 11, 10, 2, 2, 4, 4, 13, 1, 9, 12, 5 39 711 5 603
icon
Texte
Jahr  Umschlag Titel Abrufe IBOBKBLB
2017 local web  Eliminating Gender Bias in Computer Science Education Materials (Paola Medel, Vahab Pournaghshband) 4 4 0 0

iconDieses Konferenz-Paper erwähnt vermutlich nicht ... Eine statistisch erstelle Liste von nicht erwähnten (oder zumindest nicht erfassten) Begriffen, die aufgrund der erwähnten Begriffe eine hohe Wahrscheinlichkeit aufweisen, erwähnt zu werden.

icon
Nicht erwähnte Begriffe
Informatikunterricht in der Schule

iconTagcloud

iconZitationsgraph

Diese Grafik ist nur im SVG-Format verfügbar. Dieses Format wird vom verwendeteten Browser offenbar nicht unterstützt.

Diese SVG-Grafik fensterfüllend anzeigen

iconZitationsgraph (Beta-Test mit vis.js)

iconAnderswo finden

icon

iconVolltext dieses Dokuments

Auf dem WWW Best Practices in Academia to Remedy Gender Bias in Tech: Fulltext at the ACM Digital Library (lokal: PDF, 563 kByte; WWW: Link OK 2020-11-28)

iconAnderswo suchen  Auch im Biblionetz finden Sie nicht alles. Aus diesem Grund bietet das Biblionetz bereits ausgefüllte Suchformulare für verschiedene Suchdienste an. Biblionetztreffer werden dabei ausgeschlossen.

iconBeat und dieses Konferenz-Paper

Beat hat Dieses Konferenz-Paper während seiner Zeit am Institut für Medien und Schule (IMS) ins Biblionetz aufgenommen. Beat besitzt kein physisches, aber ein digitales Exemplar. Eine digitale Version ist auf dem Internet verfügbar (s.o.). Es gibt bisher nur wenige Objekte im Biblionetz, die dieses Werk zitieren.

iconBiblionetz-History Dies ist eine graphische Darstellung, wann wie viele Verweise von und zu diesem Objekt ins Biblionetz eingetragen wurden und wie oft die Seite abgerufen wurde.