Tipping Points: The Gender Segregating and Desegregating Effects of Network Recruitment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Current scholarship commonly posits that network recruitment contributes to job sex segregation and that the segregated nature of personal contact networks explains this effect. A variety of empirical findings inconsistent with this explanation demonstrate its inadequacy. Building on Kanter’s observation that recruitment processes often resemble “homosocial reproduction” [Kanter RM (1977) Men and Women of the Corporation (Basic Books, New York)], we develop a population dynamics model of network recruitment. The resulting formal model builds a parsimonious theory regarding the segregating effects of network recruitment, resolving the puzzles and inconsistencies revealed by recent empirical findings. This revised theory also challenges conventional understandings of how network recruitment segregates: in isolation, network recruitment—even with segregated networks—is more likely to desegregate rather than segregate. Network recruitment segregates primarily through its interactions with other supply-side (e.g., gendered self-sorting) or demand-side (e.g., gendered referring rates) biasing mechanisms. Our model reveals whether and to what extent network recruitment segregates or desegregates, and it reveals opportunities for organizational intervention. There is an easily calculable tipping point where demand-side factors such as gender differences in referring can counteract and neutralize other segregating effects from referring. Independent of other personnel practices, organizational policies affecting employees’ referring behaviors can tip the balance to determine whether network recruitment serves as a segregating or desegregating force. We ground our model empirically using three organizational cases.
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.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle