When Pay Equity Policy Is not Enough: Persistence of the Gender Wage Gap Among Health, Education, and STEM Professionals in Canada, 2006‒2016
Notice bibliographique
Résumé
Abstract This study examines gender, geographic, and earnings inequalities within and across 13 health, education, and STEM (science, technology, engineering, and mathematics and computer science) professions in Canada. Data from the 2006 and 2016 population censuses were pooled and linked to a continuous geospatial remoteness index for assessing trends in occupational feminization and associated employment earnings among degree-holding professionals aged 25–54. Linear regression and Oaxaca-Blinder decomposition methods were used to analyze how personal, professional, and socioenvironmental factors may attenuate or magnify wage differentials by sex. Results show the STEM professions tended to remain male-dominated, heavily urbanized, and subject to significantly lower earnings for women compared to men. Other historically female-dominated professions, notably nursing professionals and secondary school teachers, were characterized with geographic distributions most closely approaching the general population, relatively narrower gender wage gaps, but also lower average annual earnings. A significant gender wage differential was found in each profession, with women earning 4.6‒12.5% less than men, after adjusting for traditional human capital measures, social characteristics intersecting with gender, and community remoteness and accessibility. Residential remoteness and census period generally explained little of the gender wage gap. Despite decades of pay equity policies in Canada, women’s earnings averaged 2.3‒7.9% less than men’s due to unexplained factors, a finding which may be attributed, at least in part, to persistent (unmeasured) gender discrimination even in highly educated professions.
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 | 0,001 | 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 | 0,000 |
| 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 ».