Career Satisfaction: A Look behind the Races
Notice bibliographique
Résumé
Previous studies have largely focused on the career success of white employees (Heslin, 2005). Using recent survey data, this paper examines the career satisfaction levels of white/Caucasian and visible minority managerial, professional and executive employees in the information and communications technology [ICT] and financial services sectors in corporate Canada. Given that the demographic makeup of organizations in Canada is drastically changing with the aging population and the increasing participation of visible minorities in the labour force, it is crucial for managers and organizations to understand their employees’ level of career satisfaction. Studies have found that employees who are more satisfied with their careers are more engaged and thus are more likely to actively contribute to the organization’s success (Peluchette, 1993; Harter, Schmidt and Hayes, 2002). Findings from this paper showed that the average career satisfaction scores were lower for visible minority employees than for white/Caucasian employees. In addition, variations were found between white/Caucasian employees and Chinese, South Asian and Black visible minority employees. While Black employees were 13.0% less satisfied than white/Caucasian employees, Chinese employees were only 8.3% less satisfied than their white/Caucasian counterparts, and the difference between South Asian and white/Caucasian employees was found to be insignificant. Decomposition analyses show that over 58% to 82% of the difference in career of satisfaction scores, depending on the ethnic group, can be accounted for by factors included in this paper. Of the unexplained portion, most of the differences in career satisfaction between white/Caucasian and minority groups are attributable to higher returns to white/Caucasian employees’ human capital and demographic characteristics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».