Assessing Unpaid Care Work: A Participatory Toolkit
Notice bibliographique
Résumé
This is a participatory toolkit for understanding unpaid care work and its distribution within local communities and families. Together, these tools provide a way of ascertaining and capturing research participants’ understanding of women’s unpaid care work – giving special attention to the lived experiences of carrying out unpaid care work and receiving care. Please note that these tools were developed and used in a pre-Covid-19 era and that they are designed to be implemented through face-to-face interactions rather than online means. We developed the first iteration of these tools in our ‘Balancing Care Work and Paid Work’ project as part of the Growth of Economic Opportunities for Women (GrOW) programme. The mixed-methods project sought to collect data across four countries – India, Nepal, Tanzania, and Rwanda – with data collected in four sites in each country (16 sites in total). The participatory tools were developed with two main intentions: (1) as a data collection tool to gain a broader understanding of the social norms and perspectives of the wider community in each of the 16 sites; and (2) to be implemented with our local partners as a sensitisation tool for the community regarding women’s unpaid care work burdens. While it is not essential to apply these tools in the order that they are presented, or even all of them, we would suggest that this toolkit be used in its entirety, to gather in-depth knowledge of social norms around the distribution of unpaid care, and the impacts that these have on care providers’ lives and livelihoods.
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 | 0,098 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,008 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,006 | 0,021 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,004 |
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 ».