MétaCan
Menu
Retour à la cohorte
Enregistrement W2107498061

MALE-FEMALE PRODUCTIVITY DIFFERENTIALS: THE ROLE OF ABILITY AND INCENTIVES ⁄

2004· preprint· en· W2107498061 sur OpenAlexfundaboutno aff
Harry J. Paarsch, Bruce Shearer

Notice bibliographique

RevueÉrudit documents and data repository (Érudit Consortium, University of Montreal) · 2004
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueExperimental Behavioral Economics Studies
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaQueen's UniversityUniversité Laval
Mots-clésProductivityIncentiveWelfare economicsEconomicsLabour economicsPolitical scienceDemographic economicsEconomic growthMicroeconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Nous étudions la réaction aux incitations pour expliquer les différences de productivité dans une entreprise qui paie ses travailleurs à la pièce. Nous développons un modèle dans lequel les différentiels de productivité peuvent être divisés en deux parties : une partie liée aux différences d'habilité et une autre aux différences quant aux réponses aux incitations. Nous appliquons cette distinction aux travailleurs (hommes et femmes) d'une entreprise de plantation d'arbres située en Colombie-Britannique. Nos résultats montrent que les individus sont hétérogènes quant à leur réponse aux incitations. Pourtant, bien que les femmes y réagissent sensiblement plus que les hommes, cette différence n'est pas statistiquement significative. Le différentiel de productivité apparaît seulement à cause des différences d'habilité, celle-ci étant représentée, dans notre étude, par la force physique.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,191
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,003
Communication savante0,0000,001
Science ouverte0,0010,004
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,268
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2004
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueÉrudit documents and data repository (Érudit Consortium, University of Montreal)Même sujetExperimental Behavioral Economics StudiesTravaux en français237 207