Work Hard, Play Hard?: A Comparison of Male and Female Lawyers' Time in Paid and Unpaid Work and Participation in Leisure Activities
Notice bibliographique
Résumé
Les auteures tentent de déterminer le temps que les professionnels, hommes et femmes, passent à effectuer du travail rémunéré ou non, et la façon dont cela influe sur leur participation à différentes activités de loisirs. Elles se fondent sur des données provenant d'avocats professant dans différents milieux juridiques. Elles constatent que les hommes rapportent consacrer plus de temps au travail rémunéré et aux loisirs, alors que les femmes accordent plus de temps aux travaux ménagers ainsi qu'aux soins des enfants. Les résultats semblent démontrer que les occasions dans l'ensemble plus importantes de loisirs chez les hommes comparées à celles des femmes seraient attribuables à des relations inattendues entre la participation des hommes aux travaux domestiques et aux soins des enfants, et leurs activités de loisirs. Les auteures présentent différentes explications à ces résultats. There has been a considerable amount of research that documents how women and men spend their time in different work and home tasks. We examine how much time professional women and men spend in paid and unpaid work and how this relates to their participation in different leisure activities. We also explore whether time in paid and unpaid work has gender‐specific effects on leisure participation. In examining these issues, we rely on data from lawyers working in different legal settings. Our results show that, as hypothesized, men report more time in paid work and leisure whereas women devote more time to housework and childcare. An unexpected finding is that the time men spend in housework or childcare is either unrelated or positively related to their leisure participation. These results suggest that men's greater overall opportunities for leisure compared with women's appear to stem from the unanticipated relationships between men's involvement in housework and childcare and their leisure activities. We raise several possible explanations for these findings.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».