Do large employers treat racial minorities more fairly? A new analysis of Canadian field experiment data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Analysis of amended data from a large-scale Canadian employment audit study (Oreopoulos 2011) shows that large employers with over 500 employees discriminate against applicants with Asian (Chinese, Indian or Pakistani) names in the decision to call for an interview, about half as often as smaller employers. The audit involved submission of nearly 13,000 computer-generated resumes to a sample of 3,225 jobs offered online in Toronto and Montreal in 2008 and 2009 for which university-trained applicants were requested by email submission. An organization-size difference in employer response to Asian names on the resume exists when the Asian-named applicant has all Canadian qualifications (20% disadvantage for large employers, almost 40% disadvantage for small employers) and when they have some or all foreign qualifications (35% disadvantage for large employers, over 60% disadvantage for small employers). Discrimination in smaller organizations is most pronounced in considering applicants for jobs at the highest skill levels. As well, whereas the Asian-name disadvantage is overcome in large organizations when the applicant has an additional Canadian master’s degree, this is not the case in smaller organizations. It is suggested that large organizations discriminate less frequently because they have more resources devoted to recruitment, a more professionalized human resources recruitment process, and greater experience with a diverse staff complement. Experimentation with anonymized resume review may be an inexpensive way that organizations can test their own hiring procedures for discrimination.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 découle