Mentoring : quelles différences femme-homme?

Chez NamSor, nous aimons l’open source. Nous supportons deux projets open source via Open Collective : OpenAPI Generator et Uncopied et une librairie open source via Patreon : Canvas. Nous maintenons nos propres projets open source, nos SDK et CLT clients de notre API, mais aussi des projets de niche comme un modèle de traduction de noms japonais (git, démo). Nous sommes donc toujours ravis lorsque nous lisons des articles scientifiques utilisant l’API NamSor pour mieux comprendre comment les logiciels open source sont construits ou maintenus par la communauté.

Dans cette nouvelle étude, « Mentorat implicite Les efforts non reconnus des développeurs dans l’open source », Zixuan Feng, Amreeta Chatterjee, Anita Sarma et Iftekhar Ahmed caractérisent le mentorat implicite dans le développement de logiciels et examinent les différences de comportement entre les sexes.

Mentorat implicite : les efforts non reconnus des développeurs dans l’open source

Article complet de Zixuan Feng, Amreeta Chatterjee, Anita Sarma et Iftekhar Ahmed

Résumé — Le mentorat est traditionnellement considéré comme un apprentissage dyadique descendant. Cette perspective, cependant, néglige d’autres formes de mentorat informel qui se déroulent dans les activités quotidiennes dans lesquelles les développeurs investissent du temps et des efforts, mais restent non reconnus. Ici, nous étudions les différentes saveurs du mentorat dans les logiciels Open Source (OSS) pour définir et identifier le mentorat implicite. Nous définissons d’abord le mentorat implicite – des situations où les contributeurs guident les autres à travers des instructions et des suggestions intégrées dans les activités quotidiennes (OSS) – par le biais d’entretiens formatifs avec des contributeurs OSS, d’une revue de la littérature et d’une vérification des membres. Ensuite, à travers une enquête empirique sur les Pull Requests (PR) dans 37 projets Apache, nous construisons un classificateur pour extraire le mentorat implicite et le caractériser à travers le double prisme de l’expérience et du genre. Notre analyse de 107 895 RP montre que le mentorat implicite existe (27,41 % de tous les RP incluent le mentorat implicite) et qu’il ne suit pas le modèle d’apprentissage dyadique traditionnel. Lors de l’examen du sexe des paires mentor-mentoré, nous avons constaté une homophilie omniprésente – une préférence pour encadrer ceux qui sont du même sexe – dans 93,81 % des cas. Dans les cas de mentorat mixte, les femmes étaient plus susceptibles de mentorer des hommes.

Termes de l’index—Mentorat informel, mentorat implicite, mentorat homophile, logiciel libre. (gtranslated)

Quel rôle les femmes jouent-elles dans le mentorat implicite ?

Identification du genre : l’équipe a utilisé l’API Namsor pour identifier le sexe probable des contributeurs dans l’ensemble de données en fonction des noms des développeurs.

Voici quelques-unes des principales conclusions. Dans l’ensemble, plus de femmes que d’hommes offrent un mentorat implicite, mais la différence est faible. Il existe des différences significatives entre le mentorat implicite effectué par les hommes et les femmes, les femmes offrant plus de mentorat implicite entre pairs et ascendant. Il y a un fort effet d’homophilie dans le mentorat implicite. Dans les quelques cas de mentorat transgenre, les femmes ont tendance à franchir les frontières entre les sexes plus souvent que les hommes (70 %).

Lire l’article en anglais

Image : Un mentor guidant un développeur à Kuala Lumpur, NEXT Academy/Unsplash

A propos de NamSor

NamSor™ est une société européenne d’onomastique appliquée. 

Traduction automatique des noms japonais

Romaniser les noms japonais en Kanji est relativement simple. Mais traduire un nom japonais vers sa variante originale en Kanji (avec une probabilité correcte) est beaucoup plus difficile. 

NamSor a mis en ligne un projet opensource et une API. 

Lire l’article original en anglais              

A propos de NamSor

NamSor™ est une société européenne d’onomastique appliquée. 

Image credits : Sorasak / Unsplash

Les noms personnels du Libéria

L’histoire du Libéria, Afrique de l’Ouest, est fortement liée avec l’histoire des Etats-Unis d’Amérique.

La création du Libéria, première république africaine à proclamer son indépendance, remonte au 19e siècle. La Société Américaine de Colonisation (ACS), voyait comme une opportunité d’offrir en Afrique une vie meilleure de liberté et de prospérité aux Afro-américains. Entre 1822 et le début de la guerre civile américaine en 1861, plusieurs milliers d’anciens esclaves nés libres ou libérés qui subissaient une oppression permanente aux US, en même temps que plusieurs milliers d’afro-caribéens, ont émigré pour s’installer au Libéria.

Aujourd’hui encore, les noms reflètent la diversité des populations au Libéria. Certains noms apparaissent très proches des noms utilisés aux Etats-Unis par les afro-américains. D’autres noms reflètent la culture indigène.  

Les noms les plus fréquents au Libéria

 

Prénoms masculins

Prénoms féminins

Noms de famille

EMMANUEL

JAMES

PRINCE

ABRAHAM

JOHN

JOSEPH

JUNIOR

MOSES

MORRIS

SAMUEL

PETER

MOHAMMED

DAVID

GEORGE

DANIEL

AMOS

ANTHONY

JERRY

SAAH

VARNEY

ALEX

ISAAC

ERIC

THOMAS

SAM

MARK

MOMO

MUSA

STEPHEN

AUGUSTINE

MARY

HAWA

ESTHER

ANNIE

MAMIE

MARTHA

ORETHA

REBECCA

PATIENCE

FATU

BENDU

SARAH

PRINCESS

MUSU

CECELIA

VICTORIA

RUTH

MARIE

COMFORT

ALICE

BEATRICE

MASSA

MERCY

THERESA

ELIZABETH

HELENA

JOSEPHINE

LORPU

GRACE

KOU

KOLLIE

KAMARA

FLOMO

JOHNSON

MULBAH

TOE

SUMO

COOPER

SHERIFF

DAVID

TOKPAH

KROMAH

DOLO

SACKIE

KONNEH

PAYE

WEAH

MORRIS

DOE

GAYE

TAMBA

DAHN

KANNEH

WILLIAMS

HARRIS

SAYE

BROWN

SMITH

JALLAH

FREEMAN

Ce tableau coloré représente la diversité ethnique au Libéria, telle que reconnue à partir de la diversité morphologique des noms personnels. Nous avons utilisé NamSor Clustering (V1) pour reconnaître automatiquement différents groupes au sein de la population, et ensuite nous avons projeté ces noms selon un axe géographique afin de vérifier que les groupes faisaient sens sur le plan culturel, ethnique ou anthropologique.

 

Lire l’article original en anglais              

A propos de NamSor

NamSor™ est une société européenne d’onomastique appliquée. 

Onomastique du Tatarstan

Le Tatarstan est une république de la Fédération de Russie qui partage une grande proximité culturelle avec son voisin de l’est, la Bachkirie. Les langues officielles sont le Tatar et le Russe, correspondant ainsi aux deux principaux groupes ethniques (Tatars et Russes). Ces groupes ethniques représentent respectivement 53% et 39% de la population, avec 8% d’autres minorités. 

Cet article est préparé en collaboration avec e-onomastics pour l’interprétation anthropologique et la traduction vers la langue Russe. Il sera modifé et enrichi au besoin. 

Tatars in Kazan, 1870 
Казанские татары, 1870

Les noms personnels au Tatarstan

Nous avons utilisé l’algorithme NamSor ML de NamSor pour découvrir trois groupes de noms, parmi les noms masculins et féminins du Tatarstan. Pour chaque groupe, nous afficherons par ordre de fréquence le prénom le plus courant ainsi que le nom le plus fréquent dans le groupe concerné. Par lisibilité, plutôt que d’afficher une table de fréquence séparée des noms et prénoms, nous construisons un stéréotype onomasique consitué du prénom et du nom au même rang. 

Premier groupe de noms Tatars

Noms masculins Tatars du premier groupe

Rang Stéréotype de nom
1 Марат Хайруллин
2 Руслан Хабибуллин
3 Айрат Сафиуллин
4 Рамиль Валеев
5 Ильдар Абдуллин
6 Рустем Ахметзянов
7 Ринат Гарифуллин
8 Айдар Шайхутдинов
9 Альберт Хуснутдинов
10 Радик Хамидуллин
11 Алмаз Исмагилов
12 Ильнур Гатауллин
13 Ленар Галеев
14 Азат Гайнутдинов
15 Артур Валиуллин
16 Тимур Галиуллин
17 Дамир Гайнуллин
18 Рустам Мухаметзянов
19 Наиль Шайдуллин
20 Марсель Яруллин
21 Ильшат Ахметшин
22 Булат Зиганшин
23 Ренат Шамсутдинов
24 Равиль Мухаметшин
25 Ирек Давлетшин
26 Эдуард Хайрутдинов
27 Ильнар Халиуллин
28 Динар Шарафутдинов
29 Фарит Загидуллин
30 Адель Зайнуллин
Noms Tatars masculins du Premier Groupe

Noms féminin Tatars du premier groupe

Rang Stéréotype de nom
1 Лилия Хайруллина
2 Эльвира Хабибуллина
3 Гульнара Валеева
4 Гузель Ахметзянова
5 Алсу Валиуллина
6 Альбина Сафиуллина
7 Лейсан Абдуллина
8 Эльмира Гарифуллина
9 Венера Шайхутдинова
10 Елена Хамидуллина
11 Светлана Галеева
12 Альфия Шайдуллина
13 Гульназ Гатауллина
14 Наиля Хуснутдинова
15 Айгуль Халиуллина
16 Резеда Галиуллина
17 Диляра Мухаметзянова
18 Зульфия Зиганшина
19 Алина Яруллина
20 Фарида Губайдуллина
21 Ирина Рахматуллина
22 Наталья Гайнуллина
23 Алия Гайнутдинова
24 Регина Ахметшина
25 Юлия Исмагилова
26 Роза Мухаметшина
27 Ольга Зайнуллина
28 Диана Давлетшина
29 Рамзия Хайрутдинова
30 Татьяна Нигматуллина
Noms féminins Tatars du second groupe

Second groupe de noms Tatars

Noms masculins Tatars du second groupe

Rang Stéréotype de nom
1 Марат Сафин
2 Руслан Шакиров
3 Ильдар Закиров
4 Рамиль Зарипов
5 Айрат Хасанов
6 Рустем Ибрагимов
7 Ринат Сабиров
8 Альберт Садыков
9 Тимур Валиев
10 Айдар Гарипов
11 Радик Галимов
12 Рустам Галиев
13 Артур Гараев
14 Дамир Каримов
15 Наиль Ахметов
16 Ильнур Шарипов
17 Алмаз Юсупов
18 Азат Хафизов
19 Ленар Мустафин
20 Булат Хусаинов
21 Равиль Салахов
22 Марсель Мингазов
23 Ильшат Газизов
24 Ренат Вафин
25 Ильнар Хакимов
26 Рафаэль Латыпов
27 Ирек Камалов
28 Эдуард Габдрахманов
29 Динар Сулейманов
30 Фарит Султанов
Noms masculins Tatars du second groupe

Noms féminins Tatars du second groupe

Rang Stéréotype de nom
1 Лилия Закирова
2 Гульнара Шакирова
3 Альбина Зарипова
4 Гузель Сафина
5 Эльвира Ибрагимова
6 Алсу Хасанова
7 Альфия Каримова
8 Эльмира Сабирова
9 Гульназ Гарипова
10 Айгуль Галиева
11 Венера Валиева
12 Лейсан Ахметова
13 Резеда Гараева
14 Наиля Садыкова
15 Зульфия Галимова
16 Диляра Юсупова
17 Фарида Хафизова
18 Ирина Шарипова
19 Алия Камалова
20 Юлия Хусаинова
21 Алина Мингазова
22 Елена Газизова
23 Роза Салахова
24 Ольга Хакимова
25 Миляуша Латыпова
26 Регина Усманова
27 Римма Султанова
28 Диана Мустафина
29 Рамзия Салихова
30 Галина Кадырова
Noms féminins tatars du second groupe

Troisième groupe (noms Russes et autres)

Noms masculins Russes au Tatarstan

Rang Stéréotype de nom
1 Александр Иванов
2 Сергей Кузнецов
3 Андрей Петров
4 Алексей Васильев
5 Дмитрий Егоров
6 Владимир Павлов
7 Евгений Макаров
8 Олег Семенов
9 Николай Кузьмин
10 Игорь Федоров
11 Михаил Смирнов
12 Юрий Николаев
13 Максим Михайлов
14 Денис Сергеев
15 Валерий Романов
16 Павел Андреев
17 Виктор Захаров
18 Роман Степанов
19 Артем Никитин
20 Анатолий Новиков
21 Антон Волков
22 Вячеслав Попов
23 Константин Морозов
24 Виталий Алексеев
25 Иван Борисов
26 Владислав Григорьев
27 Вадим Антонов
28 Эдуард Козлов
29 Илья Филиппов
30 Василий Данилов
Noms masculins Russes au Tatarstan

Noms féminins Russes au Tatarstan

Rang Stéréotype de noms
1 Елена Иванова
2 Татьяна Кузнецова
3 Наталья Петрова
4 Ольга Васильева
5 Светлана Павлова
6 Ирина Егорова
7 Людмила Романова
8 Марина Сергеева
9 Екатерина Николаева
10 Юлия Михайлова
11 Валентина Андреева
12 Надежда Захарова
13 Галина Алексеева
14 Анна Матвеева
15 Мария Федорова
16 Анастасия Борисова
17 Любовь Степанова
18 Оксана Смирнова
19 Нина Никитина
20 Лариса Макарова
21 Лилия Кузьмина
22 Евгения Антонова
23 Наталия Семенова
24 Вера Волкова
25 Лидия Новикова
26 Александра Миронова
27 Алина Морозова
28 Ксения Козлова
29 Тамара Ильина
30 Виктория Григорьева
Noms féminins Russes au Tatarstan

Observations

Malgré que nous ayons lancé l’algorithme NamSor ML séparément sur les noms masculins et féminins, celui-ci a été cohérent dans la constitution de trois groupes,

  • Noms Tatars (Groupe 1 ex. Марат Хайруллин, Лилия Хайруллина),
  • Noms Tatars (Groupe 2 ex. Марат Сафин, Лилия Закирова),
  • Noms Russes et autres types de noms (Groupe 3 ex. Александр Иванов, Елена Иванова).

Il ne semble pas exister de varations significatives d’occurence des noms Tatars de Groupe 1 et de Groupe 2.

Sur la base d’un échantillon de cent mille noms au Tatarstan, la proportion de noms Tatars correspond assez exactement aux chiffres connus de la démographie (53%). Sous réserve d’un complément de validation, ce résultat permettrait d’effecture des études démographiques innovantes et nouvelles. 

A propos de NamSor

NamSor™ est une société européenne d’onomastique appliquée. 

Lire cet article en anglais ou en russe

Image credits – Evg Klimov/Unsplash

L’onomastique appliquée à l’étude des discriminations en entreprise

Le constat est récurrent : des discriminations importantes fondées sur le patronyme dans les entreprises françaises (Egalactu, 2020). Les discriminations en fonction du nom continuent d’exister selon une étude du ministère du Travail (L’Usine Nouvelle, 2016). L’ouvrage de Jérôme Fourquet (IFOP), L’archipel français, décrit la naissance d’une nation multiple, divisée, en voie d’archipelisation. Le débat sur les statistiques ethniques reste fortement polarisé et n’offre aucune perspective de solution à court ou moyen terme. En effet, ce serait une usine à gaz à mettre en place au niveau d’un Etat comme la France. 

Dans le même temps, les entreprises françaises d’internationalisent, se modernisent. Elles sont en permanence confrontées à la diversité (en France, à l’étranger) et à des attentes de plus en plus fortes en terme d’équité. L’intelligence articificielle s’introduit dans les processus métiers aussi critiques que : le recrutement, la gestion des ressources humaines – voire même des processus décisionnels lourds de conséquence pour les individus comme l’allocation de crédit, le ‘KYC’/anti-fraude et bien d’autres. Ces processus sont partiellement ou entièrement automatisés, avec des risques considérables que tous les individus ne soient pas évalués à l’aune dune même règle algorithmique. En effet, l’intelligence artificielle (ou plus précisément le “machine learning”) permet de développer rapidement des systèmes qui miment l’intelligence humaine telle qu’elle été appliqué historiquement dans une entreprise – mais sans l’intelligence humaine justement (son discernement, sa capacité d’expliquer).

L’exemple du recrutement en entreprise

Sans capacité réelle de discernement, d’explicabilité, un algorithme peut privilégier les candidatures de femmes pour des métiers subalternes ou des métiers classiquement privilégié par des femmes – sans tenir compte de la compétence réelle des candidates par exemple. 

Ces biais algorithmiques sont extrèmement complexes à discerner. L’analyse des corrélations observées et de la causalité dépasse souvent les compétences des informaticiens comme du personnel RH. Et hélas, la facilité d’utilisation de l’intelligence articificielle rend extrèmement populaires des outils facilitant la collecte des candidatures, leur priorisation pour un poste donnée (ce qu’on appelle, en jargon RH le sourcing et le scoring).

Prenons le cas d’un outil comme Oracle Taleo, utilisé par certains des plus grandes entreprises françaises (Engie, Orange, …) qui est une plateforme d’acquisition de talents permettant de trouver et d’embaucher les meilleurs candidats. Cet outil d’entreprise peut être fortement configuré par chaque client selon ses priorités sectorielles, géographiques, sa culture d’entreprise etc. Il dispose d’outils permettant de faire correspondre ‘le meilleur CV’ par rapport à la description textuelle d’un poste à pourvoir. 

Une croyance générale est que la RGPD ou l’anonymisation des CVs permet de résoudre le problème des biais sur le genre ou l’origine du candidat. Après tout, si l’on ne dispose pas d’une donnée, elle ne peut être traitée par l’algorithme ? Grave erreur : les algorithmes d’intelligence artificielle apprenne beaucoup plus des données que ce que l’on croit. Le genre peut-être déduit des accords grammaticaux. Les origines ethniques ou sociales sont révélées par la socio-linguistique ou des variables secondaires comme les activités extra-scolaires extra-professionnelles, la géographie de vie, ou d’autres informations présentes dans un CV. 

Les entreprises s’exposent à des risques importants et invisibles en cas de ‘testing’ par un cabinet indépendant : qu’un grand nombre de CVs n’aient même pas atteint l’attention humaine, simplement parcequ’ils ont été filtrés en amont par la machine. 

Quelles solutions ? Des possibilités existent, en conformité avec la législation et pour l’intérêt de toutes et tous, permettant de vérifier si les filtres appliqués aux différentes étapes du recrutement sont équitables. Cela peut consister en de simples tableaux de bord présentant les différentes étapes du recrutement avec une décomposition démographique anonymisée. Ou cela peut faire appel à des techniques plus poussées d’analyse des biais algorithmiques (AI Fairness Toolkit); variations d’indices de diversité type Shannon ou Simpson. 

Biais inconscients, diversité et inclusion.

Le cabinet de conseil entre-autre a conclus un partenariat avec NamSor pour offrir des solutions pratiques, pouvant être mises en oeuvre dans le cadre réglementaire. L’objectif ? Permettre aux entreprises françaises d’évaluer le risque de discriminations, apporter des solutions aux équipes RH pour bénéficier de l’IA mais sans que ce soit au détriment des candidats. 

 

 

Nouvelle version du logiciel onomastique NamSor pour les études de genre

Une nouvelle version de NamSor a été lancée récemment avec l’objectif de permettre à toutes et tous de réaliser par soi-même des études sur la mixité en entreprise ou au sein d’une organisation / d’un secteur, à partir des noms personnels dans une source ouverte. 

Cette nouvelle version est toujours gratuite pour ajouter le genre dans une liste de noms (jusqu’à 5000 noms), et l’outils d’enrichissement CSV a été amélioré. Il suffit d’exporter depuis Excel ou Google Doc un fichier au format CSV de préférence avec l’encodage UTF-8, et vous pouvez ajouter une colonne avec le genre en quelques clics. Le résultat est probabiliste : une estimation d’avoir correctement classé le genre du nom est calibrée pour tenir compte des noms dont le genre est ambigu. Bien sûr, le genre est un sujet de recherche (binaire / non-binaire, évolution du concept, etc.) et les résultats quantitatifs doivent donc être analysés avec toute la rigueur scientifique attendue des sciences sociales. 

Voici la nouvelle adresse de l’applicatif en ligne namsor,

https://namsor.app/

Bonnes recherches ESS à toutes et à tous ! 

Skopje

Noms et prénoms de Macédoine du Nord

En étant peu familier des noms et de la culture de la Macédoine du Nord, vous pourriez penser que МАРЈАН est un prénom féminin, non ? Eh pourtant c’est un prénom masculin.

Prénoms usuels en Macédoine du Nord

Voici quelques prénoms courants,

rang prénom féminin prénom féminin (cyrillique) prénom masculin prénom masculin (cyrillique)
1 MARIA МАРИЈА ALEXANDER АЛЕКСАНДАР
2 ELENA ЕЛЕНА ZORAN ЗОРАН
3 BILJANA БИЛЈАНА NIKOLA НИКОЛА
4 VESNA ВЕСНА GORAN ГОРАН
5 ALEXANDRA АЛЕКСАНДРА DEJAN ДЕЈАН
6 SNEZANA СНЕЖАНА IGOR ИГОР
7 SUZANA СУЗАНА DRAGAN ДРАГАН
8 VIOLET ВИОЛЕТА LJUPCHO ЉУПЧО
9 KATERINA КАТЕРИНА TONY ТОНИ
10 MAJA МАЈА DIMITAR ДИМИТАР
11 NATASHA НАТАША JOVAN ЈОВАН
12 DANIELA ДАНИЕЛА DARKO ДАРКО
13 IVANA ИВАНА RISTO РИСТО
14 VALENTINA ВАЛЕНТИНА IVAN ИВАН
15 GORDANA ГОРДАНА PETAR ПЕТАР
16 ELIZABETH ЕЛИЗАБЕТА SASO САШО
17 SLAVICA СЛАВИЦА VLADIMIR ВЛАДИМИР
18 ANA АНА ILIJA ИЛИЈА
19 SONJA СОЊА GOCE ГОЦЕ
20 LILJANA ЛИЛЈАНА MARJAN МАРЈАН

Noms de famille

Il est fréquent que les noms soient genrés (génitif), par exemple STOJANOVSKI, STOJANOVSKA.

Nom de famille Nom de famille (cyrillique) Nom de famille genré
RAMADANI РАМАДАНИ  
BAJRAMI БАЈРАМИ  
REDZEPI РЕЏЕПИ  
ADEMI АДЕМИ  
SHABANI ШАБАНИ  
OSMANI ОСМАНИ  
ASANI АСАНИ  
STOJANOVSKI СТОЈАНОВСКИ СТОЈАНОВСКА
SULEJMANI СУЛЕЈМАНИ  
IBRAIMI ИБРАИМИ  
ISMAILI ИСМАИЛИ  
STOJANOV СТОЈАНОВ СТОЈАНОВА
NIKOLOVSKI НИКОЛОВСКИ НИКОЛОВСКА
JOVANOVSKI ЈОВАНОВСКИ ЈОВАНОВСКА
JUSUFI ЈУСУФИ  
JASHARI ЈАШАРИ  
IMERI ИМЕРИ  

Lire cet article en anglais.

[Agenda] Université de Strasbourg, jeudi 19 mars 2020, L’outil onomastique NamSor pour quantifier la diversité d’origines et estimer les biais raciaux ou ethniques des Intelligences Artificielles

Journée d’étude

Quantification des discriminations en France

Université de Strasbourg, jeudi 19 mars 2020

Organisée par Élise Marsicano (SAGE) et Antoine Mazières (Centre Marc Bloch)

L’observation quantitative et la mesure des discriminations, notamment ethno-raciales, se heurtent à de nombreux défis. L’absence de statistiques ethniques, ou sur les origines des individus, rend la construction des catégories sous-jacentes et leur mise en lien avec d’autres critères discriminatoires (genre, classe, orientation sexuelle) plus difficile encore. L’ambition de cette journée d’étude est de rassembler des initiatives académiques, associatives, institutionnelles et entrepreneuriales étant parvenues à dépasser ces contraintes, à plus ou moins grande échelle, en empruntant notamment à des méthodes issues de la santé publique, de la démographie et des sciences sociales computationnelles.


9h00-9h15 Introduction Élise Marsicano et Antoine Mazières
9h15-9h45 Adeline Toullier
(AIDES)
Testing sur les refus de soins de la part de dentistes et de gynécologues à l’encontre des personnes touchées par le VIH : retour d’expérience
[article]
9h45-10h15 Francesco Madrisotti & Martin Aranguren
(URMIS)
Quantifier la discrimination interactionnelle à partir d’expériences de terrain
[articles de 2019 et 2017]
10h15-10h45 Discussion  

(10h45-11h00 : Pause)


11h00-11h30 Antoine Mazières
(CMB)
Estimation de diversité par l’inférence de l’origine des noms de famille
[article]
  Élian Carsenat
(NamSor)
L’outil onomastique NamSor pour quantifier la diversité d’origines et estimer les biais raciaux ou ethniques des Intelligences Artificielles
11h30-12h00 Cécile Rodrigues
(CERAPS)
Saisir et coder l’ethnicité à partir de dossiers judiciaires pour infraction raciste : enjeux et portée de l’exploitation secondaire d’archives administratives
[article]
12h00-12h30 Discussion  

(12h30-14h00 : Déjeuner)


14h00-14h30 Mireille Eberhard
(URMIS)
Mesure des discriminations et catégories : une confrontation des classifications de l’enquête ORDIS Expérience et perception des discriminations en IDF
14h30-15h00 Martin Clément
(DDD)
Titre à venir
15h00-15h30 Discussion  

(15h30-15h45 : Pause)


15h45-16h15 Vincent-Arnaud Chappe
(CEMS)
A quoi sert de mesurer les discriminations ? Les leçons de 35 ans de politique d’égalité professionnelle
[articles de 2019 et 2018]
16h15-17h30 Présentations des travaux soumis Animé par Élise Marsicano.
Pour soumettre vos travaux (avant le 31/01/2020), rendez vous sur la page dédiée à cet effet.
     
    

Source de l’image: HRC blog

根据中文名字判断性别,根据姓名的汉语拼音找到相似的中文名字,最大可能的用中文姓名识别身份和了解你的客户

👉中文姓名翻译,性别识别和匹配👈

你曾经有没有遇到这种尴尬的情况,发邮件时称呼对方为“王先生”,最后发现对方是一位女士?或者因为不知道对方的性别而直接称呼“王先生/女士”,显然看上去不是很礼貌对不对? 和您一样,我们也遇到了类似的情况。很显然这种情况会让您很尴尬。

汉语姓名的格式通常为:“姓氏姓名”,例如:“张三”,“李四”,“王二”,开头的姓氏是我们改变不了的,所以通常情况下我们根据一个人的名字判断性别。

一般情况下男生的名字和和女生的名字是有区别的。

中文男性的名字:

男生的姓名通常会带“木”字旁, 如:”楠, 杨, 桢“,“亻”单人旁也很常见,如:“伊, 佳,伟.”, 其他中文男性名字常见的字:
“力”
“雄”
“泽”
“洪”
“子”
“成”
“龙”
“仲”
“季”

中文女性的名字:

女性天生柔弱,而又楚楚动人,婀娜多姿,如水一般,明媚的双眸清澈见底,所以女性的名字通常带有花草之类的美好寓意,或者与之相似的。 女性的名字通常带有“艹”字头, 如:”蓉, 薇,芷“,或者“王”字旁,例如:“瑞, 琪, 瑶”,或者“女”字旁, 例如:“妍,媛,婷,婉,嫣” 其他的比较常见的女性的名字常有的子如:
“若曦”
“梦”
“丽”
“雪”
“安”
“颖”
“柔”

一些特列:

随着时代的发展,孩子的父母不再顾虑那么多,少了避讳之后,一些中性或者带有异性色彩的名字越来越普遍。例如:
“李果果” – 男,
“王笑笑” – 男,
“陈曦” – 女,
“杨男” – 女,

我们百分之百保证可以根据您提供的中文名字翻译成汉语拼音。即使根据汉语拼音可以转化成很多个中文姓名,我们任然可以大概率的匹配您想要的结果。

Onomastique appliquée à la validation de contacts téléphoniques

La reconnaissance du genre ou de l’origine des noms personnels a de nombreuses applications concrètes. Dans le domaine de la traduction automatique, il est nécessaire de reconnaître qu’un nom représente un sujet animé et son genre pour faire les bons accords. Par exemple, “Mary was tired” pourrait se traduire “Marie était lasse” ou “Marie était fatiguée” – mais il sera nécessaire, en français, d’accorder le genre au prénom.

Une application plus étonnante : une société dans le domaine du tourisme utilise NamSor Origin pour améliorer la qualité de ses données clients, et en particulier le formatage des numéros de téléphone à l’international.

Le tourisme est un secteur global par définition … chaque jour des réservations sont effectuées dans tous les pays, pour le train, l’avion, l’hôtel, AirBnB, … ces réservations sont consolidées par quelques acteurs dans des bases de données qui permettent la fluidité des transactions et des confirmations. La capture des données est faite dans des dizaines de langues différentes, quelque fois par des sociétés implantées très localement, rachetées par des acteurs plus importants ou intégrées “au forceps” dans des applications dont la vocation est internationale. Seriez vous surpris que la qualité des données ne soit pas toujours parfaite à l’arrivée?

Environ 10% des clients ou prospects des différentes bases de données consolidées dans le “Global Distribution System (GDS)” ont des numéros de téléphone erronés ou mal formatés, le plus souvent avec un numéro local. Ces numéros, une fois intégrés dans les différents “Hotel Property Management Systems (PMS)” sont inexploitables : impossible d’y faire parvenir
une offre commerciale ou une confirmation.

Il existe pourtant différents utilitaires permettant de valider des numéros de téléphone, en amont ou en aval de la capture de données. En amont, le plus souvent, ce sont les expressions régulières (Regexp) qui permettent de guider l’utilisateur lors de la saisie du numéro de téléphone. Par exemple, pour valider un numéro français, on pourra utiliser l’expression suivante : “(0|\+33|0033)[1-9][0-9]{8}”. En aval, il existe différentes librairies et APIs qui permettent de valider un numéro, donc une fournie par Google en Open Source, libphonenumber (sur GitHub https://github.com/googlei18n/libphonenumber, démo en ligne https://libphonenumber.appspot.com/). Cet utilitaire permet de vérifier n’importe quel numéro de téléphone et de le formater au standard international (norme E164), à condition de connaître le pays. Or, de nombreux voyageurs d’affaires utilisent des numéros de téléphone qui ne correspondent pas à leur pays de résidence, et c’est souvent une cause d’erreur.

Cette entreprise du tourisme utilise NamSor Origin pour reconnaître l’origine probable du nom: “Elena Rossi” est un nom Italien, donc avec le numéro de téléphone “339 7308986” il serait logique de tester en priorité s’il peut s’agir d’un numéro de téléphone italien. Ce cas d’usage a permis à ce client d’améliorer de 25% l’envoi des SMS de confirmations, dans les cas compliqués.

Ce cas d’usage innovant de la technologie onomastique NamSor nous a conduit à développer une nouvelle API, spécialisée dans la validation des numéros de téléphone à l’international, en combinant le nom personnel, mais aussi le formatage du numéro (le préfixe, le nombre d’espaces, s’il existe un +, des tirets, des parenthèses, etc.)

Vous pouvez l’essayer en ligne (https://apiphonenumber.com/) ou cloner le repo GitHub (https://github.com/namsor/phone-validation). Le principe d’apprentissage par le “Machine Learning” est assez amusant : l’API s’appuie elle aussi sur Google libphonenumber pour la validation du numéro de téléphone, mais elle s’appuie aussi sur un Classificateur Bayes Naïf pour reconnaître le pays / le code téléphonique le plus probable. Chaque fois qu’un numéro peut être validé par libphonenumber, l’apprentissage est renforcé. Résultat, pour ces 10% de numéros de téléphones mal formatés, l’API permet de valider 95% à 99% vers un numéro international correct. Et comme l’API apprend tous les jours 24h/24, elle s’améliore sans cesse.

Lire cet article en anglais.

Les prénoms du Sénégal, Afrique de l’Ouest

Voici quelques prénoms masculins et féminins populaires au Sénégal,

MasculinFéminin
MAMADOUFATOU
IBRAHIMAAMINATA
ABDOULAYEAWA
OUSMANEKHADY
MOUSSAAISSATOU
AMADOUSEYNABOU
BABACARMARIAMA
OUMARMAIMOUNA
CHEIKHROKHAYA
MOUSTAPHAFATOUMATA
ALIOUCOUMBA
ASSANENDEYE FATOU
ABDOUADAMA
ADAMAASTOU
ALIOUNEKHADIDIATOU
SOULEYMANEMARIEME
MBAYEAMY
MALICKDIEYNABA
LAMINEAIDA
SAMBARAMATOULAYE

Seulement quelques prénoms au Sénégal ne permettent pas de déterminer le genre, par exemple ADAMA, MAGATTE, MAGUETTE, si bien que la précision pour utiliser le prénom comme proxy du genre est de l’ordre de 95%.

L’étude des noms de famille (NDIAYE, DIOP, FALL, DIOUF, GUEYE, FAYE, DIALLO, BA, SARR, SOW, SECK, NIANG, DIAGNE, MBAYE, THIAM, SENE, DIENG, CISSE, SY, SALL) a également un intérêt pour des analyses quantitatives dans le domaine des migrations internationales, d’aspects linguistiques, culturels ou ethniques.

Lire aussi :

Revue des publications scientifiques en 2018 (genre, migrations) citant NamSor

Cet article est disponible en anglais sur le blog NamSor. 

Revue des publications scientifiques en 2018 (genre, migrations) citant NamSor

Meilleurs vœux! Notre V2 arrive bientôt. 

Voici une revue des publications en 2018 dans différents domaines scientifiques (études de genre, migrations internationales) , qui citent le logiciel NamSor. 

A bientôt en 2019 ! 
Cet article est disponible en anglais sur le blog NamSor. 

L’onomastique, une alternative aux statistiques ethniques?

Le Monde commente aujourd’hui une étude réalisée par deux chercheurs s’appuyant sur l’origine géographique des patronymes et cite à l’occasion NamSor :

En France, la société NamSor est aussi sur ce secteur mais propose ses services pour la recherche, comme l’étude de la fuite des cerveaux. « Ce peut être une alternative plus rapide aux statistiques ethniques. Le défi est de trouver des applications positives à ces outils, rappelle Elian Carsenat, le fondateur de Namsor. Par exemple, pour certains pays, essayer de “cibler” les membres de leur diaspora pour les inciter à s’engager peut contribuer à leur développement. »

Pour en savoir plus,

About NamSor

NamSor™ Applied Onomastics is a European vendor of sociolinguistics software (NamSor sorts names). NamSor mission is to help understand international flows of money, ideas and people.
Reach us at: contact@namsor.com

Les noms – reflets de l’identité au MALI et dans ses régions?

Les prénoms populaires au Mali :

Féminin Masculin
FATOUMATA MOHAMED
MARIAM   MOUSSA
AMINATA   ABDOULAYE
HAWA   OUMAR
FADIMATA AMADOU
BINTOU   IBRAHIM
AISSATA   OUSMANE
OUMOU   MAHAMADOU
DJENEBA   MAMADOU
KADIDIA   ADAMA
FANTA   SOULEYMANE
MARIAMA   BOUBACAR
AWA   ISSA
FATOUMA YOUSSOUF
KADIATOU SEYDOU

Au Mali, la distribution statistique des prénoms et des noms varie suivant les régions, permettant de cartographier des identités complexes :

Pour en savoir plus, voir l’article original en anglais. Envie de voyager un peu ? Découvrez le Mali et sa culture, visitez le site du Musée National du Mali pour découvrir les collections ethnographiques.

About NamSor

NamSor™ Applied Onomastics is a European vendor of sociolinguistics software (NamSor sorts names). NamSor mission is to help understand international flows of money, ideas and people.
Reach us at: contact@namsor.com

Démo SIG2017 : Géo-démographie d’une ville et analyse de la ségrégation urbaine à partir du fichier électoral

Amis géographes, amateurs de cartes: NamSor sera présent à ESRI SIG2017, nous avons hâte de vous y rencontrer.

Une question : la “Smart City” de demain sera-t-elle intelligente ET inclusive? Comment s’assurer que la ville offre un niveau équitable d’accès à ses services pour toutes et tous?

Le logiciel NamSor permet d’inférer des informations concernant le genre ou l’origine socioculturelle, à partir des noms personnels. Combiné à ESRI, NamSor permet à partir d’un fichier d’adresses de réaliser des analyses sur la mixité et la diversité au sein de territoires, de mettre en évidence des phénomènes de ségrégation urbaines et de d’étudier l’équité d’accès des différentes populations aux services publiques (bureaux électoraux, transports, santé, éducation etc). Le cas présenté est celui de la ville de Boston.

Intervenants : Eric Leclerc, Professeur des universités en géographie à l’université de Lille; Elian Carsenat, Président NamSor SAS.

Jeudi 12 octobre – 16H30 / 17H00 – Théâtre Sud. Voir la liste des démonstrations partenaires ESRI.