SlideShare a Scribd company logo
1 of 55
Download to read offline
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling p°a 
datalogiuddannelserne 
Hans H¨uttel 
20. november 2014
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Symptomer
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Symptomer
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Symptomer 
Grotesk skæv kønsfordeling 
P°a det hold, jeg underviser i kurset ”Beregnelighed og 
kompleksitet” i efter°aret 2104, er der 90 mandlige studerende 
og 2 kvinder. 
Softwareuddannelsen (oprettet i 2000) fik i 2007 sin første 
kvindelige studerende. Nogle °ar er der 1 studerende p°a et 
hold, andre °ar er der 2 (et °ar var der hele 3).
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale. 
2 En meget skæv kønsfordeling gør det noget uheldigt ved 
stemningen i miljøet.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale. 
2 En meget skæv kønsfordeling gør det noget uheldigt ved 
stemningen i miljøet. 
3 Software bruges af begge køn, s°a begge køns synsvinkel skal 
være med i udvikling.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale. 
2 En meget skæv kønsfordeling gør det noget uheldigt ved 
stemningen i miljøet. 
3 Software bruges af begge køn, s°a begge køns synsvinkel skal 
være med i udvikling. 
4 Ingen kvindelige datalogistuderende Δ ingen kvindelige 
universitetslærere i datalogi.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale. 
2 En meget skæv kønsfordeling gør det noget uheldigt ved 
stemningen i miljøet. 
3 Software bruges af begge køn, s°a begge køns synsvinkel skal 
være med i udvikling. 
4 Ingen kvindelige datalogistuderende Δ ingen kvindelige 
universitetslærere i datalogi. 
5 Der er ikke en tilsvarende skæv kønsfordeling i f.eks. medicin 
eller kemi.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale. 
2 En meget skæv kønsfordeling gør det noget uheldigt ved 
stemningen i miljøet. 
3 Software bruges af begge køn, s°a begge køns synsvinkel skal 
være med i udvikling. 
4 Ingen kvindelige datalogistuderende Δ ingen kvindelige 
universitetslærere i datalogi. 
5 Der er ikke en tilsvarende skæv kønsfordeling i f.eks. medicin 
eller kemi. 
6 Kønsfordelingen i datalogi er ikke nær s°a skæv i en del andre 
lande (f.eks. Italien).
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Er skæv kønsfordeling virkelig et problem? 
I meget høj grad ! Og det skal løses. 
1 Der er et gigantisk tab af potentiale. 
2 En meget skæv kønsfordeling gør det noget uheldigt ved 
stemningen i miljøet. 
3 Software bruges af begge køn, s°a begge køns synsvinkel skal 
være med i udvikling. 
4 Ingen kvindelige datalogistuderende Δ ingen kvindelige 
universitetslærere i datalogi. 
5 Der er ikke en tilsvarende skæv kønsfordeling i f.eks. medicin 
eller kemi. 
6 Kønsfordelingen i datalogi er ikke nær s°a skæv i en del andre 
lande (f.eks. Italien).
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Og omvendt . . . 
Det er nødvendigt at forst°a, hvad der f°ar studerende til at 
vælge/ikke vælge at studere hos os. En del af denne forklaring 
giver os en forst°aelse af hvorfor kvinder vælger/ikke vælger at 
studere hos os.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Den skæve kønsfordeling 
Er det nu et problem? 
Og omvendt . . . 
Det er nødvendigt at forst°a, hvad der f°ar studerende til at 
vælge/ikke vælge at studere hos os. En del af denne forklaring 
giver os en forst°aelse af hvorfor kvinder vælger/ikke vælger at 
studere hos os. 
Hvis det lykkes at f°a signifikant flere kvindelige studerende, er 
det samtidig lykkedes at finde en strategi for at rekruttere 
blandt andre segmenter end hidtil.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
En klasse af populære teorier 
En klasse af teorier: “Gratis øl”-teorierne 
Præmis 1 Unge mennesker kan lide øl.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
En klasse af populære teorier 
En klasse af teorier: “Gratis øl”-teorierne 
Præmis 1 Unge mennesker kan lide øl. 
Præmis 2 Unge mennesker kan bedst lide øl, de ikke skal betale 
for.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
En klasse af populære teorier 
En klasse af teorier: “Gratis øl”-teorierne 
Præmis 1 Unge mennesker kan lide øl. 
Præmis 2 Unge mennesker kan bedst lide øl, de ikke skal betale 
for. 
Konklusion Vi kan løse rekrutteringsproblemet ved at omdøbe 
Institut for datalogi til Institut for gratis øl og 
datalogistudiet til Studiet af gratis øl.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“Min søn kender ´en pige, der siger at datalogistuderende er 
kedelige”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“Min søn kender ´en pige, der siger at datalogistuderende er 
kedelige” 
“Hvis vi lægger vægt p°a ‘bløde’ kurser og har en flot 
hjemmeside i pastelfarver, strømmer kvinderne til”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“Min søn kender ´en pige, der siger at datalogistuderende er 
kedelige” 
“Hvis vi lægger vægt p°a ‘bløde’ kurser og har en flot 
hjemmeside i pastelfarver, strømmer kvinderne til” 
“Bygningerne skal være rene og pæne med pæne billeder p°a 
væggene”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“Min søn kender ´en pige, der siger at datalogistuderende er 
kedelige” 
“Hvis vi lægger vægt p°a ‘bløde’ kurser og har en flot 
hjemmeside i pastelfarver, strømmer kvinderne til” 
“Bygningerne skal være rene og pæne med pæne billeder p°a 
væggene”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til” 
“Hvis vi optager studerende med andre slags kvalifikationer, 
strømmer kvinderne til”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til” 
“Hvis vi optager studerende med andre slags kvalifikationer, 
strømmer kvinderne til” 
“Hvis vi skriver noget andet i studieguiden, vil kvinderne 
strømme til”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til” 
“Hvis vi optager studerende med andre slags kvalifikationer, 
strømmer kvinderne til” 
“Hvis vi skriver noget andet i studieguiden, vil kvinderne 
strømme til” 
“Hvis vi sætter nogle skilte op i busserne, strømmer alle til”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til” 
“Hvis vi optager studerende med andre slags kvalifikationer, 
strømmer kvinderne til” 
“Hvis vi skriver noget andet i studieguiden, vil kvinderne 
strømme til” 
“Hvis vi sætter nogle skilte op i busserne, strømmer alle til”
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til” 
“Hvis vi optager studerende med andre slags kvalifikationer, 
strømmer kvinderne til” 
“Hvis vi skriver noget andet i studieguiden, vil kvinderne 
strømme til” 
“Hvis vi sætter nogle skilte op i busserne, strømmer alle til” 
M°aske passer det alt sammen, men . . .
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
Smagsprøver p°a “gratis øl”- teorier 
“’Hvis vi kalder uddannelsen noget andet, strømmer alle til” 
“Hvis vi optager studerende med andre slags kvalifikationer, 
strømmer kvinderne til” 
“Hvis vi skriver noget andet i studieguiden, vil kvinderne 
strømme til” 
“Hvis vi sætter nogle skilte op i busserne, strømmer alle til” 
M°aske passer det alt sammen, men . . . virkningen kan udeblive eller 
være begrænset.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
Smagsprøver 
“Gratis øl”-teorier fra fortiden 
Eksempler 
“Ring til professoren” (initiativ for informatikuddannelsen) 
Dat-cats.com (reklamekampagne for Institut 
16-uddannelserne) 
Mulige problemer 
Fokus p°a enkelte faktorer som altafgørende. 
Kort indsatsperiode. 
Fokus p°a reklame i stedet for oplysning via samarbejde. 
Usystematiske.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Mulige reaktioner 
En systematisk tilgang 
En systematisk tilgang 
Løsning af et systemisk problem kræver en systematisk 
tilgang. Dette er en akademisk velfunderet strategi. 
Vi skal have en permanent strategi – vi skal altid rekruttere! 
I arbejdet med f.eks. stress og psykisk arbejdsmiljø har vi ogs°a 
haft en systematisk satsning; derfor er det naturligt her. 
Vi kan markedsføre os p°a vores systematiske indsats.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
Eksisterende arbejde: CMU 
Jane Margolis, Allan Fisher: Unlocking The Clubhouse: 
Women In Computing, MIT Press 1999 
En bog, der beskriver en kombineret undersøgelse og plan for 
ændring af rekruttering p°a Carnegie-Mellon University (CMU) i 
USA.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
Væsentlige spørgsm°al i CMU-undersøgelsen 
Hvad er det, der tiltrækker studerende til datalogi? Hvad er 
kønsforskellene? 
Hvad er det, der f°ar datalogistuderende til at holde op/skifte 
studium? Hvad er kønsforskellene?
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
CMU-undersøgelsen: Motivation hos mænd
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
CMU-undersøgelsen: Motivation hos kvinder
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
CMU-undersøgelsen: Nogle konklusioner 
Kvindelige studerende er i større omfang end mandlige 
motiveret af potentielle anvendelser. 
Kvindelige studerende har i mindre omfang end mandlige 
forudg°aende erfaringer med computere og programmering. 
Mange studerende (ikke kun kvinder) opfatter denne 
foruderfaring som et implicit krav. 
Der er en udbredt opfattelse af, at den dedikerede 
datalogistuderende er ´en, der udelukkende er besat af 
computere og programmering.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
CMU-undersøgelsen: Plan for ændring 
Initiativer som bl.a. 
Vedvarende kontakt til high school-lærere, der underviser i 
datalogi. 
Opkvalificering af disse lærere; kurserne skal lære lærerne at 
undervise og p°a en s°adan m°ade, at de er bevidst om de 
forskelle, man ser mellem kønnene. 
At studerende rekrutterer nye studerende (og high 
school-elever rekrutterer nye high school-elever til 
datalogi-kurser) 
Flere indgangsveje, der afhænger af tidligere erfaringer. 
Større fokus p°a god undervisning. 
Større fokus p°a kontekstualisering.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
CMU-initiativet 
Væsentlige forskelle mellem CMU og os 
Nogle erfaringer kan formodentlig overføres, men ikke alle. 
CMU er et privat universitet. 
CMU er et meget søgt universitet med hele USA som sit 
‘opland’, s°a konkurrencen er h°ard; de studerende, der kommer 
ind, har særdeles gode kvalifikationer. 
High school i USA har helt andre tilvalgsmuligheder end 
danske ungdomsuddannelser. 
Amerikanske universiteter har helt anderledes studieordninger.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
J. McGrath Cohoons forskning 
J. McGrath Cohoons forskning 
Den amerikanske køns/uddannelsesforsker Joanne McGrath 
Cohoon har beskæftiget sig indg°aende med den skæve 
kønsfordeling p°a IT-uddannelserne. 
Hun har givet en lang række begrundede anbefalinger mht. b°ade 
rekruttering og anbefalinger.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
J. McGrath Cohoons forskning 
Cohoons anbefalinger – rekruttering 
Work with high-school teachers 
Communicate with high-school guidance counselors 
Use role models to actively recruit high-school students 
Develop relationships with community colleges 
Make contact with the local community
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
J. McGrath Cohoons forskning 
Cohoons anbefalinger – rekruttering 
Recruit first and second year students from within your 
institution 
Consider the impact that selection criteria for program 
admission can have on women’s enrollment 
Oer multiple points of entry 
Review public information for the image it projects
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
J. McGrath Cohoons forskning 
Cohoons anbefalinger – fastholdelse 
Anbefalinger til instituttet/lærerstaben: 
Maintain a stable faculty 
Provide female role models 
Employ faculty who enjoy teaching undergraduates 
Promote interaction among classmates, and develop learning 
communities and other forms of peer support 
Mentor undergraduates 
Communicate positive opinions of female students’ strengths 
Involve women in research
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
J. McGrath Cohoons forskning 
Cohoons anbefalinger – fastholdelse 
Anbefalinger til institutionen/det omgivende samfund: 
Build institutional support so the program will have adequate 
resources 
Use the local job market to provide students with work 
experience 
Provide students with opportunities to volunteer their 
computing skills in service to the community
Den skæve kønsfordeling p°a datalogiuddannelserne 
Eksisterende arbejde 
J. McGrath Cohoons forskning 
Væsentlige forskelle mellem USA og os 
Nogle erfaringer kan formodentlig overføres, men ikke alle. 
Amerikanske universiteter har helt anderledes studieordninger. 
Ungdomsuddannelserne i Danmark er meget anderledes. 
Aalborg Universitet har et indbygget fokus p°a gruppearbejde. 
Det gør mentorordninger mere komplicerede. 
Projektarbejdet giver andre (og forh°abentlig bedre) rammer 
for forskningsbasering og anvendelsesorientering.
Den skæve kønsfordeling p°a datalogiuddannelserne 
P°a vej mod en strategisk satsning p°a en strategi 
En tostrenget strategi 
En tostrenget strategi 
Hvis vi vil forst°a problemstillingen ordentligt, skal vi forsøge at 
ændre den. Vi skal bedrive aktionsforskning, dvs. forskning, der 
gennem direkte handling finder metoder til ændring. 
Derfor skal vi have 
1 Aktiviteter, der skal øge rekrutteringen. Aktiviteterne skal 
være baseret p°a hypoteser. 
2 Udredningsarbejde og evaluering af aktiviteter ud fra 
hypoteser.
Den skæve kønsfordeling p°a datalogiuddannelserne 
P°a vej mod en strategisk satsning p°a en strategi 
En tostrenget strategi 
Mulige hypoteser 
1 De unges ideer om uddannelsesvalg dannes i stort omfang 
allerede i folkeskoletiden. 
2 Det har betydning, at vi nu primært f°ar studerende med 
HTX-baggrund, hvor kønsfordelingen ogs°a er grotesk skæv. 
3 Der er problemer med undervisning i datalogi i det almene 
gymnasium.
Den skæve kønsfordeling p°a datalogiuddannelserne 
P°a vej mod en strategisk satsning p°a en strategi 
Mulige aktiviteter 
Mulige aktiviteter (reklame-orienterede) 
Nøje udvælgelse af gode ”forbilleder”. 
En tillokkende webside (i velvalgte farver og uden grimme 
fotos). 
Et ”adgangskursus” der opkvalificerer studenter. 
Et initiativ, der har matematikstuderende som m°algruppe.
Den skæve kønsfordeling p°a datalogiuddannelserne 
P°a vej mod en strategisk satsning p°a en strategi 
Mulige aktiviteter 
Mulige aktiviteter (permanent brobygning) 
Eksplicit satsning p°a det almene gymnasium.. 
Fast kontakt til udvalgte folkeskoler via matematik- og 
natur/teknik-lærere. 
Fast kontakt til udvalgte gymnasielærere og uddannelse af 
dem til hvervning. 
En ”sommerlejr” for kvindelige gymnasieelever. 
Systematisk kontakt til uddannelses- og erhvervsvejledere. 
Et sommerferie-ugekursus i programmering og 
programmeringsundervisning for gymnasielærere. 
Et sommerferie-ugekursus i relevante IT-emner for 
folkeskolelærere.
Den skæve kønsfordeling p°a datalogiuddannelserne 
P°a vej mod en strategisk satsning p°a en strategi 
Mulige aktiviteter 
Interne initiativer for at modvirke frafald 
Frafald blandt kvindelige studerende er ogs°a et problem. Hvad kan 
vi gøre p°a instituttet? 
1 Et forum for kvindelige 
datalogi/software-kandidater/studerende. 
2 P°avirkning af undervisningen, s°a den ikke ‘diskriminerer 
ubevidst’. 
3 P°avirkning af det sociale miljø.
Den skæve kønsfordeling p°a datalogiuddannelserne 
P°a vej mod en strategisk satsning p°a en strategi 
En plan for handling (?) 
Hvad bør der ske nu? 
Nedsættelse af en følgegruppe, der udarbejder strategiplan og 
handlingsplan. 
Konkrete (kvantitative?) m°al for rekruttering og fastholdelse. 
Systematisk opfølgning af initiativer.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Spørgsm°al 
Refleksion 
Spørgsm°al til refleksion 
Hvilke budskaber sender vi, n°ar vi taler om datalogi og 
datalogiuddannelserne udadtil? Kontrol? Magt? Indflydelse? 
Penge? Indsigt? Uafhængighed? Et alternativ til andre 
uddannelser? Et fællesskab af mande-værdier? Eller noget 
andet?
Den skæve kønsfordeling p°a datalogiuddannelserne 
Spørgsm°al 
Refleksion 
Spørgsm°al til refleksion 
Hvor tidligt skal vi sætte ind?
Den skæve kønsfordeling p°a datalogiuddannelserne 
Spørgsm°al 
Refleksion 
Spørgsm°al til refleksion 
Hvor eksplicit skal initiativerne rette sig mod det ene køn?
Den skæve kønsfordeling p°a datalogiuddannelserne 
Spørgsm°al 
Refleksion 
Spørgsm°al til refleksion 
Hvor eksplicit skal initiativerne rette sig mod det ene køn? 
Fordel: M°algruppen er veludpeget.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Spørgsm°al 
Refleksion 
Spørgsm°al til refleksion 
Hvor eksplicit skal initiativerne rette sig mod det ene køn? 
Fordel: M°algruppen er veludpeget. Risiko: M°algruppen bliver 
peget ud.
Den skæve kønsfordeling p°a datalogiuddannelserne 
Spørgsm°al 
Handling 
Spørgsm°al til handling 
Hvad er vore præcise, kvantificerbare m°al? 
Hvordan taler vi (der kommer fra universitetet) med 
folkeskoler og gymnasier? 
Hvordan kan vi forske i de underliggende problemstillinger? 
Hvad kan vi gøre internt p°a instituttet? 
Er andre institutter og institutioner vores allierede eller vores 
konkurrenter? 
Hvad kan aftagerne gøre?

More Related Content

Featured

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by HubspotMarius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTExpeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsKurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summarySpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentLily Ray
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best PracticesVit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project managementMindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...RachelPearson36
 

Featured (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 

Den skæve kønsfordeling på datalogiuddannelserne

  • 1. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling p°a datalogiuddannelserne Hans H¨uttel 20. november 2014
  • 2. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Symptomer
  • 3. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Symptomer
  • 4. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Symptomer Grotesk skæv kønsfordeling P°a det hold, jeg underviser i kurset ”Beregnelighed og kompleksitet” i efter°aret 2104, er der 90 mandlige studerende og 2 kvinder. Softwareuddannelsen (oprettet i 2000) fik i 2007 sin første kvindelige studerende. Nogle °ar er der 1 studerende p°a et hold, andre °ar er der 2 (et °ar var der hele 3).
  • 5. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses.
  • 6. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale.
  • 7. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale. 2 En meget skæv kønsfordeling gør det noget uheldigt ved stemningen i miljøet.
  • 8. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale. 2 En meget skæv kønsfordeling gør det noget uheldigt ved stemningen i miljøet. 3 Software bruges af begge køn, s°a begge køns synsvinkel skal være med i udvikling.
  • 9. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale. 2 En meget skæv kønsfordeling gør det noget uheldigt ved stemningen i miljøet. 3 Software bruges af begge køn, s°a begge køns synsvinkel skal være med i udvikling. 4 Ingen kvindelige datalogistuderende Δ ingen kvindelige universitetslærere i datalogi.
  • 10. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale. 2 En meget skæv kønsfordeling gør det noget uheldigt ved stemningen i miljøet. 3 Software bruges af begge køn, s°a begge køns synsvinkel skal være med i udvikling. 4 Ingen kvindelige datalogistuderende Δ ingen kvindelige universitetslærere i datalogi. 5 Der er ikke en tilsvarende skæv kønsfordeling i f.eks. medicin eller kemi.
  • 11. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale. 2 En meget skæv kønsfordeling gør det noget uheldigt ved stemningen i miljøet. 3 Software bruges af begge køn, s°a begge køns synsvinkel skal være med i udvikling. 4 Ingen kvindelige datalogistuderende Δ ingen kvindelige universitetslærere i datalogi. 5 Der er ikke en tilsvarende skæv kønsfordeling i f.eks. medicin eller kemi. 6 Kønsfordelingen i datalogi er ikke nær s°a skæv i en del andre lande (f.eks. Italien).
  • 12. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Er skæv kønsfordeling virkelig et problem? I meget høj grad ! Og det skal løses. 1 Der er et gigantisk tab af potentiale. 2 En meget skæv kønsfordeling gør det noget uheldigt ved stemningen i miljøet. 3 Software bruges af begge køn, s°a begge køns synsvinkel skal være med i udvikling. 4 Ingen kvindelige datalogistuderende Δ ingen kvindelige universitetslærere i datalogi. 5 Der er ikke en tilsvarende skæv kønsfordeling i f.eks. medicin eller kemi. 6 Kønsfordelingen i datalogi er ikke nær s°a skæv i en del andre lande (f.eks. Italien).
  • 13. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Og omvendt . . . Det er nødvendigt at forst°a, hvad der f°ar studerende til at vælge/ikke vælge at studere hos os. En del af denne forklaring giver os en forst°aelse af hvorfor kvinder vælger/ikke vælger at studere hos os.
  • 14. Den skæve kønsfordeling p°a datalogiuddannelserne Den skæve kønsfordeling Er det nu et problem? Og omvendt . . . Det er nødvendigt at forst°a, hvad der f°ar studerende til at vælge/ikke vælge at studere hos os. En del af denne forklaring giver os en forst°aelse af hvorfor kvinder vælger/ikke vælger at studere hos os. Hvis det lykkes at f°a signifikant flere kvindelige studerende, er det samtidig lykkedes at finde en strategi for at rekruttere blandt andre segmenter end hidtil.
  • 15. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner En klasse af populære teorier En klasse af teorier: “Gratis øl”-teorierne Præmis 1 Unge mennesker kan lide øl.
  • 16. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner En klasse af populære teorier En klasse af teorier: “Gratis øl”-teorierne Præmis 1 Unge mennesker kan lide øl. Præmis 2 Unge mennesker kan bedst lide øl, de ikke skal betale for.
  • 17. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner En klasse af populære teorier En klasse af teorier: “Gratis øl”-teorierne Præmis 1 Unge mennesker kan lide øl. Præmis 2 Unge mennesker kan bedst lide øl, de ikke skal betale for. Konklusion Vi kan løse rekrutteringsproblemet ved at omdøbe Institut for datalogi til Institut for gratis øl og datalogistudiet til Studiet af gratis øl.
  • 18. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “Min søn kender ´en pige, der siger at datalogistuderende er kedelige”
  • 19. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “Min søn kender ´en pige, der siger at datalogistuderende er kedelige” “Hvis vi lægger vægt p°a ‘bløde’ kurser og har en flot hjemmeside i pastelfarver, strømmer kvinderne til”
  • 20. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “Min søn kender ´en pige, der siger at datalogistuderende er kedelige” “Hvis vi lægger vægt p°a ‘bløde’ kurser og har en flot hjemmeside i pastelfarver, strømmer kvinderne til” “Bygningerne skal være rene og pæne med pæne billeder p°a væggene”
  • 21. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “Min søn kender ´en pige, der siger at datalogistuderende er kedelige” “Hvis vi lægger vægt p°a ‘bløde’ kurser og har en flot hjemmeside i pastelfarver, strømmer kvinderne til” “Bygningerne skal være rene og pæne med pæne billeder p°a væggene”
  • 22. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til”
  • 23. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til” “Hvis vi optager studerende med andre slags kvalifikationer, strømmer kvinderne til”
  • 24. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til” “Hvis vi optager studerende med andre slags kvalifikationer, strømmer kvinderne til” “Hvis vi skriver noget andet i studieguiden, vil kvinderne strømme til”
  • 25. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til” “Hvis vi optager studerende med andre slags kvalifikationer, strømmer kvinderne til” “Hvis vi skriver noget andet i studieguiden, vil kvinderne strømme til” “Hvis vi sætter nogle skilte op i busserne, strømmer alle til”
  • 26. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til” “Hvis vi optager studerende med andre slags kvalifikationer, strømmer kvinderne til” “Hvis vi skriver noget andet i studieguiden, vil kvinderne strømme til” “Hvis vi sætter nogle skilte op i busserne, strømmer alle til”
  • 27. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til” “Hvis vi optager studerende med andre slags kvalifikationer, strømmer kvinderne til” “Hvis vi skriver noget andet i studieguiden, vil kvinderne strømme til” “Hvis vi sætter nogle skilte op i busserne, strømmer alle til” M°aske passer det alt sammen, men . . .
  • 28. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver Smagsprøver p°a “gratis øl”- teorier “’Hvis vi kalder uddannelsen noget andet, strømmer alle til” “Hvis vi optager studerende med andre slags kvalifikationer, strømmer kvinderne til” “Hvis vi skriver noget andet i studieguiden, vil kvinderne strømme til” “Hvis vi sætter nogle skilte op i busserne, strømmer alle til” M°aske passer det alt sammen, men . . . virkningen kan udeblive eller være begrænset.
  • 29. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner Smagsprøver “Gratis øl”-teorier fra fortiden Eksempler “Ring til professoren” (initiativ for informatikuddannelsen) Dat-cats.com (reklamekampagne for Institut 16-uddannelserne) Mulige problemer Fokus p°a enkelte faktorer som altafgørende. Kort indsatsperiode. Fokus p°a reklame i stedet for oplysning via samarbejde. Usystematiske.
  • 30. Den skæve kønsfordeling p°a datalogiuddannelserne Mulige reaktioner En systematisk tilgang En systematisk tilgang Løsning af et systemisk problem kræver en systematisk tilgang. Dette er en akademisk velfunderet strategi. Vi skal have en permanent strategi – vi skal altid rekruttere! I arbejdet med f.eks. stress og psykisk arbejdsmiljø har vi ogs°a haft en systematisk satsning; derfor er det naturligt her. Vi kan markedsføre os p°a vores systematiske indsats.
  • 31. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet Eksisterende arbejde: CMU Jane Margolis, Allan Fisher: Unlocking The Clubhouse: Women In Computing, MIT Press 1999 En bog, der beskriver en kombineret undersøgelse og plan for ændring af rekruttering p°a Carnegie-Mellon University (CMU) i USA.
  • 32. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet Væsentlige spørgsm°al i CMU-undersøgelsen Hvad er det, der tiltrækker studerende til datalogi? Hvad er kønsforskellene? Hvad er det, der f°ar datalogistuderende til at holde op/skifte studium? Hvad er kønsforskellene?
  • 33. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet CMU-undersøgelsen: Motivation hos mænd
  • 34. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet CMU-undersøgelsen: Motivation hos kvinder
  • 35. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet CMU-undersøgelsen: Nogle konklusioner Kvindelige studerende er i større omfang end mandlige motiveret af potentielle anvendelser. Kvindelige studerende har i mindre omfang end mandlige forudg°aende erfaringer med computere og programmering. Mange studerende (ikke kun kvinder) opfatter denne foruderfaring som et implicit krav. Der er en udbredt opfattelse af, at den dedikerede datalogistuderende er ´en, der udelukkende er besat af computere og programmering.
  • 36. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet CMU-undersøgelsen: Plan for ændring Initiativer som bl.a. Vedvarende kontakt til high school-lærere, der underviser i datalogi. Opkvalificering af disse lærere; kurserne skal lære lærerne at undervise og p°a en s°adan m°ade, at de er bevidst om de forskelle, man ser mellem kønnene. At studerende rekrutterer nye studerende (og high school-elever rekrutterer nye high school-elever til datalogi-kurser) Flere indgangsveje, der afhænger af tidligere erfaringer. Større fokus p°a god undervisning. Større fokus p°a kontekstualisering.
  • 37. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde CMU-initiativet Væsentlige forskelle mellem CMU og os Nogle erfaringer kan formodentlig overføres, men ikke alle. CMU er et privat universitet. CMU er et meget søgt universitet med hele USA som sit ‘opland’, s°a konkurrencen er h°ard; de studerende, der kommer ind, har særdeles gode kvalifikationer. High school i USA har helt andre tilvalgsmuligheder end danske ungdomsuddannelser. Amerikanske universiteter har helt anderledes studieordninger.
  • 38. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde J. McGrath Cohoons forskning J. McGrath Cohoons forskning Den amerikanske køns/uddannelsesforsker Joanne McGrath Cohoon har beskæftiget sig indg°aende med den skæve kønsfordeling p°a IT-uddannelserne. Hun har givet en lang række begrundede anbefalinger mht. b°ade rekruttering og anbefalinger.
  • 39. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde J. McGrath Cohoons forskning Cohoons anbefalinger – rekruttering Work with high-school teachers Communicate with high-school guidance counselors Use role models to actively recruit high-school students Develop relationships with community colleges Make contact with the local community
  • 40. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde J. McGrath Cohoons forskning Cohoons anbefalinger – rekruttering Recruit first and second year students from within your institution Consider the impact that selection criteria for program admission can have on women’s enrollment Oer multiple points of entry Review public information for the image it projects
  • 41. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde J. McGrath Cohoons forskning Cohoons anbefalinger – fastholdelse Anbefalinger til instituttet/lærerstaben: Maintain a stable faculty Provide female role models Employ faculty who enjoy teaching undergraduates Promote interaction among classmates, and develop learning communities and other forms of peer support Mentor undergraduates Communicate positive opinions of female students’ strengths Involve women in research
  • 42. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde J. McGrath Cohoons forskning Cohoons anbefalinger – fastholdelse Anbefalinger til institutionen/det omgivende samfund: Build institutional support so the program will have adequate resources Use the local job market to provide students with work experience Provide students with opportunities to volunteer their computing skills in service to the community
  • 43. Den skæve kønsfordeling p°a datalogiuddannelserne Eksisterende arbejde J. McGrath Cohoons forskning Væsentlige forskelle mellem USA og os Nogle erfaringer kan formodentlig overføres, men ikke alle. Amerikanske universiteter har helt anderledes studieordninger. Ungdomsuddannelserne i Danmark er meget anderledes. Aalborg Universitet har et indbygget fokus p°a gruppearbejde. Det gør mentorordninger mere komplicerede. Projektarbejdet giver andre (og forh°abentlig bedre) rammer for forskningsbasering og anvendelsesorientering.
  • 44. Den skæve kønsfordeling p°a datalogiuddannelserne P°a vej mod en strategisk satsning p°a en strategi En tostrenget strategi En tostrenget strategi Hvis vi vil forst°a problemstillingen ordentligt, skal vi forsøge at ændre den. Vi skal bedrive aktionsforskning, dvs. forskning, der gennem direkte handling finder metoder til ændring. Derfor skal vi have 1 Aktiviteter, der skal øge rekrutteringen. Aktiviteterne skal være baseret p°a hypoteser. 2 Udredningsarbejde og evaluering af aktiviteter ud fra hypoteser.
  • 45. Den skæve kønsfordeling p°a datalogiuddannelserne P°a vej mod en strategisk satsning p°a en strategi En tostrenget strategi Mulige hypoteser 1 De unges ideer om uddannelsesvalg dannes i stort omfang allerede i folkeskoletiden. 2 Det har betydning, at vi nu primært f°ar studerende med HTX-baggrund, hvor kønsfordelingen ogs°a er grotesk skæv. 3 Der er problemer med undervisning i datalogi i det almene gymnasium.
  • 46. Den skæve kønsfordeling p°a datalogiuddannelserne P°a vej mod en strategisk satsning p°a en strategi Mulige aktiviteter Mulige aktiviteter (reklame-orienterede) Nøje udvælgelse af gode ”forbilleder”. En tillokkende webside (i velvalgte farver og uden grimme fotos). Et ”adgangskursus” der opkvalificerer studenter. Et initiativ, der har matematikstuderende som m°algruppe.
  • 47. Den skæve kønsfordeling p°a datalogiuddannelserne P°a vej mod en strategisk satsning p°a en strategi Mulige aktiviteter Mulige aktiviteter (permanent brobygning) Eksplicit satsning p°a det almene gymnasium.. Fast kontakt til udvalgte folkeskoler via matematik- og natur/teknik-lærere. Fast kontakt til udvalgte gymnasielærere og uddannelse af dem til hvervning. En ”sommerlejr” for kvindelige gymnasieelever. Systematisk kontakt til uddannelses- og erhvervsvejledere. Et sommerferie-ugekursus i programmering og programmeringsundervisning for gymnasielærere. Et sommerferie-ugekursus i relevante IT-emner for folkeskolelærere.
  • 48. Den skæve kønsfordeling p°a datalogiuddannelserne P°a vej mod en strategisk satsning p°a en strategi Mulige aktiviteter Interne initiativer for at modvirke frafald Frafald blandt kvindelige studerende er ogs°a et problem. Hvad kan vi gøre p°a instituttet? 1 Et forum for kvindelige datalogi/software-kandidater/studerende. 2 P°avirkning af undervisningen, s°a den ikke ‘diskriminerer ubevidst’. 3 P°avirkning af det sociale miljø.
  • 49. Den skæve kønsfordeling p°a datalogiuddannelserne P°a vej mod en strategisk satsning p°a en strategi En plan for handling (?) Hvad bør der ske nu? Nedsættelse af en følgegruppe, der udarbejder strategiplan og handlingsplan. Konkrete (kvantitative?) m°al for rekruttering og fastholdelse. Systematisk opfølgning af initiativer.
  • 50. Den skæve kønsfordeling p°a datalogiuddannelserne Spørgsm°al Refleksion Spørgsm°al til refleksion Hvilke budskaber sender vi, n°ar vi taler om datalogi og datalogiuddannelserne udadtil? Kontrol? Magt? Indflydelse? Penge? Indsigt? Uafhængighed? Et alternativ til andre uddannelser? Et fællesskab af mande-værdier? Eller noget andet?
  • 51. Den skæve kønsfordeling p°a datalogiuddannelserne Spørgsm°al Refleksion Spørgsm°al til refleksion Hvor tidligt skal vi sætte ind?
  • 52. Den skæve kønsfordeling p°a datalogiuddannelserne Spørgsm°al Refleksion Spørgsm°al til refleksion Hvor eksplicit skal initiativerne rette sig mod det ene køn?
  • 53. Den skæve kønsfordeling p°a datalogiuddannelserne Spørgsm°al Refleksion Spørgsm°al til refleksion Hvor eksplicit skal initiativerne rette sig mod det ene køn? Fordel: M°algruppen er veludpeget.
  • 54. Den skæve kønsfordeling p°a datalogiuddannelserne Spørgsm°al Refleksion Spørgsm°al til refleksion Hvor eksplicit skal initiativerne rette sig mod det ene køn? Fordel: M°algruppen er veludpeget. Risiko: M°algruppen bliver peget ud.
  • 55. Den skæve kønsfordeling p°a datalogiuddannelserne Spørgsm°al Handling Spørgsm°al til handling Hvad er vore præcise, kvantificerbare m°al? Hvordan taler vi (der kommer fra universitetet) med folkeskoler og gymnasier? Hvordan kan vi forske i de underliggende problemstillinger? Hvad kan vi gøre internt p°a instituttet? Er andre institutter og institutioner vores allierede eller vores konkurrenter? Hvad kan aftagerne gøre?