MétaCan
Menu
Retour à la cohorte
Enregistrement W2767163927 · doi:10.5465/ambpp.2017.12601abstract

Paying for Mirrors or Windows? Consumer Discrimination and Hollywood Films

2017· article· en· W2767163927 sur OpenAlexaff
Peter Younkin, Venkat Kuppuswamy

Notice bibliographique

RevueAcademy of Management Proceedings · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMedia Influence and Politics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésRevenueRobustness (evolution)Diversity (politics)HollywoodAdvertisingEconomicsMarketingBusinessPolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

Is employment discrimination driven by consumer bias rather than employer bias? One explanation for the persistence of employment discrimination, despite considerable legal and social pressure, is that unbiased employers are penalized by biased customers. An equitable employer is therefore a less profitable one, and apparent employer bias is more accurately described as reflected consumer antipathy. The empirical challenge of relating consumer behavior to employee composition has limited prior tests of this hypothesis and focused attention largely on employer behavior or structural factors. We provide a rare direct test of the claim that consumers respond to employee composition by evaluating the commercial and artistic performance of films released theatrically within the United States between 2011-2015 as a function of the racial diversity of their cast. We find that films are not penalized for the diversity of their casts; instead employing multiple black actors in the principal cast achieves significantly higher domestic box-office revenues than films with no black actors. Moreover, we find that international audiences do not exhibit evidence of bias against diverse casts, and that the net returns to diversity remain positive when worldwide box-office revenues are considered. We confirm the robustness of these results in a survey and experimental setting that controls for film-level differences, and through an analysis of a novel dataset capturing the social media activity (on Twitter) for each film by users of different races. Our findings advance an alternative interpretation of the consumer bias thesis, where consumers prefer employers reflect their world or values, rather than their traits.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,818
Score d'incertitude au seuil0,591

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
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 Opus0,119
Tête enseignante GPT0,400
Écart entre enseignants0,281 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetMedia Influence and PoliticsTravaux en français237 207