Gender differences in time use across age groups: A study of ten industrialized countries, 2005–2015
Notice bibliographique
Résumé
This study uses largescale cross-national time-diary data from the Multinational Time Use Study (MTUS) (N = 201,972) covering the period from 2005 to 2015 to examine gender differences in time use by age groups. The study compares ten industrialized countries across Asia, Europe, and North America. In all ten countries, gender differences in time use are smaller in personal care, sleeping and meals, followed by leisure time (including screen-based leisure and active leisure), and largest in housework, care work and paid work activities. Gender disparities in time use are higher in South Korea, Hungary, and Italy, followed closely by Spain, with moderate gender gaps in Western European countries like France and Netherlands, and lowest differences in Finland and Anglo-Saxon countries, including Canada, US, and the UK. Gender differences in housework and caring time increase from adolescence (10-17 years) to early adulthood (18-29 years), showing strong gender gaps in early/middle adulthood (30-44 years), but narrow again during late adulthood (65 years or older). However, the age gradient in care work and housework is most pronounced in Italy and South Korea, being less prominent in Canada and Finland. Gender gaps in paid work are larger in early/middle adulthood (30-44) and middle/late adulthood (45-64), with strongest age gradients observed in the Netherlands and weaker gradients for the US. Gender differences in active leisure increase by age, especially in Southern European countries, while screen-based leisure shows more stable gender gaps by age groups across different countries. Overall, this study shows that age and gender intersect strongly in affecting time-use patterns, but also that the national context plays an important role in shaping gender-age interactions in time use allocation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».