Inside out and upside down? Perceptions of temporary employment histories in the time of COVID
Notice bibliographique
Résumé
Purpose Perceptions of employment histories are important insofar as they influence future job prospects. Critically, in light of the current pandemic, wherein many individuals are likely to have unanticipated employment gaps and/or temporary work experiences, this exploratory study aims to seek a better understanding of the signal associated with temporary employment histories, which is particularly germane to individuals' employment trajectories and a successful labour market recovery. Design/methodology/approach Drawing primarily on signalling theory and using a simulated hiring decision experiment, the authors examined the perceptions of temporary employment histories, as well as the period effect of COVID-19, a major exogenous event, on the attitudes of fictitious jobseekers with standard, temporary and unemployment histories. Findings The authors find that prior to COVID-19 unemployed and temporary-work candidates were perceived less favourably as compared to applicants employed in a permanent job. During the COVID-19 pandemic, assessments of jobseekers with temporary employment histories were less critical and the previously negative signal associated with job-hopping reversed. This study’s third wave of data, which were collected post-COVID, showed that such perceptions largely dissipated, with the exception for those with a history of temporary work with different employers. Practical implications The paper serves as a reminder to check, insofar as possible, preconceived biases of temporary employment histories to avoid potential attribution errors and miss otherwise capable candidates. Originality/value This paper makes a unique and timely contribution by focussing and examining the differential effect of economic climate, pivoted by the COVID-19 pandemic, on perceptions of temporary employment histories.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| 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 | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».