Гендерные стереотипы и IQ в IT: развенчиваем миф о мужском интеллектуальном превосходстве

Интеллект и IT: Почему гендерный разрыв — это не вопрос биологии

Недавняя дискуссия с коллегой о причинах гендерного дисбаланса в технологической индустрии подтолкнула меня к небольшому исследованию. Поводом стал популярный график распределения IQ, который якобы объясняет преобладание мужчин в точных науках. Однако при детальном рассмотрении выяснилось, что подобные визуализации часто искажают реальную картину.

Аргумент оппонента был прост: в IT-сфере востребованы специалисты с IQ выше 110, а на графике в этой зоне «мужская» кривая заметно превосходит «женскую». Но я решил не принимать это на веру и обратился к первоисточникам данных.

В поисках объективной статистики

Ключевым параметром здесь выступает стандартное отклонение. Одно из наиболее масштабных и качественных исследований — шотландское тестирование 11-летних детей (Scottish Mental Survey), охватившее практически всю нацию. Результаты показали, что средний IQ идентичен, но вариативность у мальчиков выше: стандартное отклонение составило 14.9 против 14.1 у девочек. Хотя данным уже много лет, современные мета-анализы подтверждают этот феномен «большей мужской вариативности».

Моделирование реальности с помощью Python

Чтобы наглядно увидеть, как эти доли процента влияют на распределение в «профессиональной» зоне, я написал скрипт для построения точных гауссовых кривых.

import numpy as np

import matplotlib.pyplot as plt
Параметры распределения
mu = 100
sigma_girls = 14.1
sigma_boys = 14.9
def gaussian(x, mu, sigma):
return (1 / (sigma  np.sqrt(2  np.pi)))  np.exp(-0.5  ((x - mu) / sigma)**2)
x = np.linspace(0, 200, 1000)
y_girls = gaussian(x, mu, sigma_girls)
y_boys = gaussian(x, mu, sigma_boys)
plt.figure(figsize=(15, 8))
plt.plot(x, y_girls, color="red", label="Женщины", alpha=0.6)
plt.plot(x, y_boys, color="blue", linestyle="--", label="Мужчины", alpha=0.6)
Отрисовка коэффициентов для ключевых точек
check_points = np.arange(100, 161, 10)
for val in check_points:
ratio = gaussian(val, mu, sigma_boys) / gaussian(val, mu, sigma_girls)
plt.text(val, 0.02, f"Ratio: {ratio:.2f}", rotation=90)
plt.title("Распределение IQ: Анализ плотности вероятности")
plt.legend()
plt.show()

Выводы исследования

Визуализация данных приводит к интересным заключениям:

1. Минимальная разница в рабочем диапазоне: На отрезке IQ от 110 до 125 баллов (где находится большинство специалистов уровней Middle и Senior в Backend, Frontend или QA) различие в плотности распределения ничтожно. Оно никак не объясняет пятикратный перекос в сторону мужчин в индустрии.
2. Экстремальные значения: Заметное статистическое преимущество мужчин начинается только в зоне IQ > 140. Однако задачи, требующие такого уровня интеллекта, составляют лишь малую долю рынка.
3. Социокультурный фактор: Поскольку биологическая разница в целевом диапазоне (110–130) минимальна, причины дефицита женщин в IT стоит искать в области воспитания, стереотипов, корпоративной культуры и образовательной среды.

В следующий раз, когда услышите о «природной склонности» к кодингу, вспомните об этих графиках. Математика подтверждает: интеллект распределен достаточно справедливо, чтобы не быть препятствием для карьеры в технологиях.

Upd: В комментариях предложили рассмотреть более современные данные. В исследовании на базе американской выборки NLSY97 (17-летние граждане США) разница в вариативности проявляется ярче, что видно на кривой отношения Male/Female ratio.