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?