MétaCan
Menu
Retour à la cohorte
Enregistrement W4311468846 · doi:10.1287/orsc.2022.1635

Reject and Resubmit: A Formal Analysis of Gender Differences in Reapplication and Their Contribution to Women’s Presence in Talent Pipelines

2022· article· en· W4311468846 sur OpenAlexaff
Isabel Fernandez‐Mateo, Brian Rubineau, Venkat Kuppuswamy

Notice bibliographique

RevueOrganization Science · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)InequalityEmpirical researchPsychological interventionPsychologyDemographic economicsEconomicsGeographyMathematics

Résumé

récupéré en direct d'OpenAlex

A common explanation for women’s underrepresentation in many economic contexts is that women exit talent pipelines at higher rates than men. Recent empirical findings reveal that, in male-dominated selection contexts, women are less likely than men to reapply after being rejected for an opportunity. We examine the conditions under which this gender difference contributes to women’s underrepresentation in talent pipelines over time. We formally model and analyze the population dynamics of a generic selection context, which we then ground using three distinct empirical settings. We show that gender differences in reapplication are an important mechanism of gender segregation in some selection contexts but negligible in others. The extent to which gender differences in reapplication contribute to women’s underrepresentation is driven in part by the rejection rate. Higher rejection rates increase the stock of rejected applicants, which in turn enables gender differences in reapplication to disproportionally reduce women’s representation. The results demonstrate that interactions between individuals’ choices on the supply side and screeners’ behavior on the demand side may have consequences for gender inequality, even if we were able to fully eliminate demand-side biases. We discuss the theoretical and policy implications of our research for understanding women’s underrepresentation in talent pipelines. We also interrogate the effectiveness of common interventions focused on encouraging women to apply for opportunities in male-dominated domains. Supplemental Material: The online appendix is available at https://doi.org/10.1287/orsc.2022.1635 .

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)0,006
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Incitatifs · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,994
Score d'incertitude au seuil0,158

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0470,002

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 Opus0,018
Tête enseignante GPT0,240
Écart entre enseignants0,222 · 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.

Devis d'étudeSimulation ou modélisation
DomaineIncitatifs
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

Citations22
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOrganization ScienceMême sujetConsumer Market Behavior and PricingTravaux en français237 207