Social selectivity and gender-segregation across fields of study: Comparative evidence from Austria
Notice bibliographique
Résumé
This study explores stratification within the Austrian university system by focusing on social selectivity and gender-segregation across fields of study. We investigate how much the choice of field of study is associated with parental educational background and the gender of the students—especially, how these characteristics vary across individual (teaching) subjects. Teacher training is often regarded as typically chosen by women and preferred by so-called educational climbers. However, previous studies focus on clusters of fields of study and do not take into account the differences between individual (teaching) subjects. We address this research gap by focusing on a comparison between those who have chosen to undergo a teaching program in a specific subject and those who have studied this specific subject without pedagogical training. By using administrative data from first-year students at Austrian state universities ( N = 23,400) in 2016–2017, and applying logistic regression analysis, the results demonstrate that in almost all analyzed fields of study, similar patterns of gender-segregation according to the choice of fields of study can be observed, regardless of whether it concerns a teacher training subject or a corresponding equivalent academic subject. Educational climbers tend to opt more frequently for teacher training subjects than for their corresponding fields—especially in some of the mathematics-oriented science, technology, engineering, and mathematics (STEM) subjects. We contribute to comparative sociological literature by introducing the approach of comparing teacher training subjects to their academic equivalents and revealing a more nuanced picture regarding horizontal inequalities in higher education.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».