MétaCan
Menu
Retour à la cohorte
Enregistrement W3152889676 · doi:10.5089/9781513575926.001.a001

Gender and Employment in the COVID-19 Recession: Evidence on “She-cessions”

2021· article· en· W3152889676 sur OpenAlexaboutno aff
John Bluedorn, Niels‐Jakob Hansen, Ippei Shibata, Francesca Caselli, Marina Mendes Tavares

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCOVID-19 Pandemic Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)RecessionQuarter (Canadian coin)EconomicsDemographic economicsFalling (accident)PandemicSample (material)Great recessionPersistence (discontinuity)Emerging marketsLabour economicsSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Development economicsGeographyMacroeconomicsPsychologyMedicine

Résumé

récupéré en direct d'OpenAlex

Early evidence on the pandemic’s effects pointed to women’s employment falling disproportionately, leading observers to call a “she-cession.” This paper documents the extent and persistence of this phenomenon in a quarterly sample of 38 advanced and emerging market economies. We show that there is a large degree of heterogeneity across countries, with over half to two-thirds exhibiting larger declines in women’s than men’s employment rates. These gender differences in COVID-19’s effects are typically short-lived, lasting only a quarter or two on average. We also show that she-cessions are strongly related to COVID-19’s impacts on gender shares in employment within sectors.

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)0,006
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,625
Score d'incertitude au seuil0,919

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,212
Tête enseignante GPT0,396
Écart entre enseignants0,184 · 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'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

Citations12
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetCOVID-19 Pandemic ImpactsTravaux en français237 207