MétaCan
Menu
Retour à la cohorte
Enregistrement W4225927390 · doi:10.1038/s41562-022-01470-z

Within-job gender pay inequality in 15 countries

2022· article· en· W4225927390 sur OpenAlexaff
Andrew M. Penner, Trond Petersen, Are Skeie Hermansen, Anthony Rainey, István Boza, Marta M. Elvira, Olivier Godechot, Martin Hällsten, Lasse Folke Henriksen, Feng Hou, Aleksandra Kanjuo Mrčela, J. E. King, Naomi Kodama, Tali Kristal, Alena Křı́žková, Zoltán Lippényi, Silvia Maja Melzer, Eunmi Mun, Paula Apascaritei, Dustin Avent‐Holt, Nina Bandelj, Gergely Hajdú, Jiwook Jung, Andreja Poje, Halil Sabanci, Mirna Safi, Matthew Soener, Donald Tomaskovic‐Devey, Zaibu Tufail

Notice bibliographique

RevueNature Human Behaviour · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLabor market dynamics and wage inequality
Établissements canadiensStatistics Canada
Organismes subventionnairesEuropean Social FundEuropean CommissionMinisterio de Ciencia e InnovaciónAlexander von Humboldt-StiftungJavna Agencija za Raziskovalno Dejavnost RSAgencia Estatal de InvestigaciónNorges ForskningsrådAgence Nationale de la RechercheNational Science Foundation
Mots-clésInequalityGender pay gapPay EquityDemographic economicsLabour economicsGender inequalityEconomicsPsychologyMathematicsWage

Résumé

récupéré en direct d'OpenAlex

Extant research on the gender pay gap suggests that men and women who do the same work for the same employer receive similar pay, so that processes sorting people into jobs are thought to account for the vast majority of the pay gap. Data that can identify women and men who do the same work for the same employer are rare, and research informing this crucial aspect of gender differences in pay is several decades old and from a limited number of countries. Here, using recent linked employer-employee data from 15 countries, we show that the processes sorting people into different jobs account for substantially less of the gender pay differences than was previously believed and that within-job pay differences remain consequential.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,022
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,033
Tête enseignante GPT0,271
Écart entre enseignants0,238 · 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

Citations67
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature Human BehaviourMême sujetLabor market dynamics and wage inequalityTravaux en français237 207