MétaCan
Menu
Retour à la cohorte
Enregistrement W3123334117

Why do some employers prefer to interview Matthew but not Samir? New evidence from Toronto, Montreal and Vancouver

2012· preprint· en· W3123334117 sur OpenAlexaboutno aff
Diane Dechief, Philip Oreopoulos

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2012
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueNames, Identity, and Discrimination Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCallbackPrejudice (legal term)ImmigrationPsychologyEthnic groupSocial psychologyAdvertisingDemographic economicsPublic relationsPolitical scienceBusinessLawEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In earlier work (Oreopoulos, 2009), thousands of resumes were sent in response to online job postings across Toronto to investigate why Canadian immigrants struggle in the labor market. The findings suggested significant discrimination by name ethnicity and city of experience. This follow-up study focuses more on better understanding exactly why this type of discrimination occurs -- that is, whether this discrimination can be attributed to underlying concerns about worker productivity or simply prejudice, and whether the behaviour is likely conscious or not. We examine callback rates from sending resumes to online job postings across multiple occupations in Toronto, Montreal, and Vancouver. Substantial differences in callback rates arise again from simply changing an applicant’s name. Combining all three cities, resumes with English-sounding names are 35 percent more likely to receive callbacks than resumes with Indian or Chinese names, remarkably consistent with earlier findings from Oreopoulos (2009) for Toronto in better economic circumstances. If name-based discrimination arises from language and social skill concerns, we should expect to observe less discrimination when 1) including on the resume other attributes related to these skills, such as language proficiency and active extracurricular activities; 2) looking at occupations that depend less on these skills, like computer programming and data entry and 3); listing a name more likely of an applicant born in Canada, like a Western European name compared to a Indian or Chinese name, In all three cases, we do not find these patterns. We then asked recruiters to explain why they believed name discrimination occurs in the labour market. Overwhelmingly, they responded that employers often treat a name as a signal that an applicant may lack critical language or social skills for the job, which contradicts our conclusions from our quantitative analysis. Taken together, the contrasting findings are consistent with a model of ‘subconscious’ statistical discrimination, where employers justify name and immigrant discrimination based on language skill concerns, but incorrectly overemphasize these concerns without taking into account offsetting characteristics listed on the resume. Pressure to avoid bad hires exacerbates these effects, as does the need to review resumes quickly. Masking names when deciding who to interview, while considering better ways discern foreign language ability may help improve immigrants' chances for labour market success.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,244

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,020
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,010
Études des sciences et des technologies0,0090,004
Communication savante0,0050,001
Science ouverte0,0040,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,108
Tête enseignante GPT0,391
Écart entre enseignants0,283 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetNames, Identity, and Discrimination ResearchTravaux en français237 207