Notice bibliographique
Résumé
One issue that has pervaded policy discussions for decades is the difficulty that school districts experience in retaining teachers. Almost a quarter of entering public school teachers leave teaching within the first three years and empirical evidence has related high attrition rates of beginner teachers to family circumstances, such as maternity or marriage. I examine female teachers' career choices and inquire about the effects that wage increases and child care subsidies have on their employment decisions. I set up a dynamic model of job search where individuals simultaneously make employment and fertility decisions, fit it to data from a national longitudinal survey and estimate it by Simulated Method of Moments. \nEstimates indicate that gains of exiting the teaching workforce to start a family vary between 75% and 88% of the average teaching wage if the exit occurs during the first five years. At late periods and provided a positive stock of children, nonpecuniary penalties to return to teach lie between one and two times the average teaching wage. A 20 percent raise in teaching wages increases \nretention by 14% and decreases the proportion of teachers giving birth by 50%. Results suggest that \nfertility changes occur not only at earlier periods but also after a career interruption when \nteachers are considering a returning decision. The effectiveness of the wage policy in \nattracting back to the field individuals who left teaching to enroll in nonteaching jobs is positively associated with the greatest impact that the policy has on fertility in nonteaching. Child care subsidies increase retention by 11% and 29% with the lowest and highest \nsubsidy, respectively. New births are concentrated at earlier periods of teachers' careers and thus, generate \nlonger first teaching spells. However, large nonpecuniary rewards at late periods of the non labor market alternative \nrelative to being in teaching as well as exits out of the workforce concentrated at later periods lead the decrease \nof returning rates of teachers who dropped the workforce altogether.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».