尽管我们在实现工作场所的性别平等方面还有很长的路要走，但过去几年已经显示出一些令人鼓舞的进展迹象。根据世界经济论坛的数据，在2017年至2022年期间，全球女性在高级和领导岗位上的份额稳步上升。

然而，现实情况是，女性在领导岗位上的代表性仍然不足，世界品牌500强企业的CEO中只有不到9%是女性。这至少部分是由性别陈规定型观念驱动的，这些观念将男性而不是女性与注重领导力的代理特征联系在一起（如坚定、果断和自信）这创造了一种期望，即男性将更有可能作为领导人取得成功。

鉴于这些传统观念是通过语言表达的，我们是否可以从他们的讲话中了解到一些组织对女性的态度？那么，机器学习是如何深入了解性别和领导素质之间的联系以及这种联系在不同公司之间的差异？任命女性进入管理高层可以帮助缓解根深蒂固的传统观念，这种方式是持久的，可以促使未来聘用女性领导人。

驾驭机器学习

性别定型观念对女性产生了严重的后果，例如贬低她们在工作中的表现，否认她们成功的功劳，以及在工作场所更广泛地排斥她们，不与‘积极和代理’的领导特质联系在一起，会影响到女性在这种角色中能够成功和发展的程度。

我们如何利用机器学习来解决这个问题？公司产生了大量公开的文本数据，可以对这些数据进行检查，以更好地了解这些公司如何对待和谈论性别定型观念。机器学习模型可以用来分析这些文本，特别是复杂的词向模型，它可以衡量不同概念之间的意义的相似性。

在从该组织获得的文本数据上训练一个公司特定的词向量模型。然后，目标词被表示在一个多维向量空间中，映射出它们之间的关系。通过这一点，该模型可以揭示不同的词是如何相互关联的，以及这些概念在该组织使用的语言背景中是如何关联的。这让我们更好地了解一个公司所支持的性别定型观念和态度。

行动中的词汇矢量模型

通过2009年至2018年间标准普尔500指数公司的数据研究显示，包括约43000份文件和超过10亿字的文本，这些文件和文本是从美国证券交易委员会的文件、年度报告、代理股东会议声明和投资者电话记录中获得的。对于这些公司中的每一家，研究人员都使用了上述的词向模型过程，以获得对女性与代理领导特质的密切程度的衡量，以及当女性被提升到组织内的关键领导职位时，性别定型观念的转变。

很多公司最初在女性与代理领导特质的密切程度方面显示出类似的结果。但在2013年7月，当Ulta Beauty任命玛丽·狄龙为其首席执行官时，这一切都发生了变化。在任命后观察到的是，在Ulta Beauty，女性与领导力特征之间的关联性大大增加，但在L Brands则没有这么多。

这一趋势在研究人员的更广泛的数据集中保持强劲。超过70%的企业聘请了女性担任CEO，女性与领导力特征之间的联系增加了，但这只适用于不到30%的没有聘请女性担任CEO的组织。与人们想象的不同，女性与积极的领导特质之间更紧密的联系并没有以女性被自己的公司视为可亲的人为代价。

就人们对她们的看法而言，女性走上这些领导岗位似乎并没有受到惩罚，这项研究并不包括女性领导人在媒体上的表现，这完全是一个不同的故事。

增加女性在公司董事会中的比例可以导致使用围绕女性的更进步的语言，并导致性别定型观念的改变，从而促使任命更多的女性进入董事会。

对组织的影响

如果我们能够增加女性在领导岗位上的代表性，这可以改变语言中表达的性别陈规定型观念，这些观念导致了对女性表现的贬低，并阻碍了她们的职业生涯。

对于企业来说，他们产生的数据也有影响，正如研究显示的那样，可以使用机器学习来分析这些公司内部的性别态度的关键信息。这意味着，潜在的投资者、合作伙伴或雇员可以检测到一个组织的性别态度是否不利于妇女的成功，这可能很快成为一个竞争劣势。

随着透明度和问责制的提高，公司‘将被迫’审视内部，更努力地改变这些态度，消除有害的性别陈规定型观念。另一种可能性是，公司可能需要努力控制他们在这些文本数据中传达的潜在态度。

企业也可以将模型用于其内部工作。例如，通过收集和分析匿名电子邮件语料库数据，他们可以评估公司内部用来描述女性和其他少数民族的语言。虽然该模型不能自己做出改变，但它可以提供精细的信息，以针对一个组织可能存在的具体问题，并可用于通知培训课程或干预措施，并监测其效果。