Covering: Mutable Characteristics and Perceptions of (Masculine) Voice in the U.S. Supreme Court
Notice bibliographique
Résumé
The emphasis on “fit” as a hiring criterion has raised the spectrum of a new form of subtle discrimination (Yoshino 1998; Bertrand and Duflo 2016). Under complete markets, correlations between employee characteristics and outcomes persist only if there exists animus for the marginal employer (Becker 1957), but who is the marginal employer for mutable characteristics? Using data on 1,901 U.S. Supreme Court oral arguments between 1998 and 2012, we document that voice-based snap judgments based on lawyers’ identical introductory sentences, “Mr. Chief Justice, (and) may it please the Court?”, predict court outcomes. The connection between vocal characteristics and court outcomes is specific only to perceptions of masculinity and not other characteristics, even when judgment is based on less than three seconds of exposure to a lawyer’s speech sample. Consistent with employers irrationally favoring lawyers with masculine voices, perceived masculinity is negatively correlated with winning and the negative correlation is larger in more masculine-sounding industries. The first lawyer to speak is the main driver. Among these petitioners, males below median in masculinity are 7 percentage points more likely to win in the Supreme Court. Justices appointed by Democrats, but not Republicans, vote for lessmasculine men. Female lawyers are also coached to be more masculine and women’s perceived femininity predict court outcomes. Republicans, more than Democrats, vote for more feminine-sounding females. A de-biasing strategy is tested and shown to reduce evaluators’ tendency to perceive masculine voices as more likely to win. Perceived masculinity explains 3-10% additional variance compared to the current best prediction model of Supreme Court votes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».