رویکردی جدید به سوی تضمین آگهی‌های شغلی SE شامل جنسیت

عنوان فارسی مقاله:رویکردی جدید به سوی تضمین آگهی‌های شغلی SE شامل جنسیت

چکیده

اکثر مهندسان نرم افزار مرد میباشند، شاید به این دلیل که نقش های مهندسی نرم افزار (SE) تبلیغات جنسیتی ایفا می کنند. تا کنون، تنها ابزارهای بررسی مبتنی بر کلمه به منظور شناسایی سوگیری های جنسیتی در دسترس هستند (برای مثال، “تحلیلگر” یک کلمه مردانه در نظر گرفته می شود). با این حال، چنین تحلیل‌های مبتنی بر کلمه، مهارت‌های مورد نیاز برای موقعیت‌های شغلی SE را به عنوان کلمات مردانه در نظر می گیرند و لذا کافی نیستند. در این مطالعه، ما مکانیسم دقیق‌تری را برای بررسی سوگیری جنسیتی در آگهی‌های شغلی SE با استفاده از روش GenderMag ارائه می‌کنیم، که ثابت کرده است در تشخیص سوگیری جنسیتی در رابط‌های نرم‌افزاری موفق می باشد. از یک نظرسنجی از ۴۴ متخصص نرم‌افزار، ما ۱۶ عامل را شناسایی کردیم که شرکت‌کنندگان مرد و زن با هم تفاوت دارند و بر مبنای یک تحلیل موضوعی، سه بعد شخصیت متقاضی شغل SE را استخراج کردیم. ما جنبه‌ها را با یک نظرسنجی کوچک تأیید کردیم که در آن نامزدهای(متقاضیان) SE با توصیف آن عوامل مرتبط بودند. ما یک مطالعه آزمایشی با استفاده از این جنبه‌ها برای ارزیابی چهار آگهی شغلی SE انجام دادیم و سوگیری‌های مربوط به جنسیت را در دو مورد از آنها شناسایی کردیم.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: A New Approach Towards Ensuring Gender Inclusive SE Job Advertisements

Abstract

A majority of software engineers are male, perhaps, because of the very way that software engineering (SE) roles are advertised is gender biased. Thus far, only word-based checking tools are available to identify gender biases (e.g., “analyst” is considered a masculine word). However, such word-based analyses end up identifying the skills required for SE job positions as masculine words, and therefore, not sufficient. In this work, we present a more nuanced mechanism to check for gender bias in SE job advertisements by building on the GenderMag method, which has proven to be successful in gender bias detection in software interfaces. From a survey of 44 software practitioners, we identified 16 factors where male and female participants differ and based on a thematic analysis we derived three SE job applicant persona facets. We verified the facets with a small survey where SE candidates related to the descriptions of those factors. We conducted a pilot study using these facets to evaluate four SE job advertisements and identified gender related biases in two of those.