The inclusion of racialized women in the nursing workforce
Notice bibliographique
Résumé
Purpose The study focuses on employment equity among Canadian women with a nursing education, examining differences across racialized groups. Design/methodology/approach The analysis used data from the 2021 Canadian Census of Population on a large sample of women aged 25–64 years with a nursing education (n = 112,000). The analysis compared women from ten racialized population groups to those from the White population group on attainment of a nursing education, employment in the health sector, and having an occupation that matched their nursing education. These comparisons were made separately for women who were Canadian-born, Canadian-educated immigrants and foreign-educated immigrants and controlled for differences in educational and demographic characteristics. Findings Most racialized women were under-represented in terms of having a nursing education, which was a barrier to their inclusion in the nursing workforce. Having a Canadian nursing education eliminated most disparities between racialized and White women in terms of employment outcomes. Foreign-educated immigrant women experienced a large penalty in levels of workforce integration, and this penalty was mostly larger for those from racialized population groups than the White population group. Large proportions of foreign-educated immigrant women with a nursing education had non-health occupations or health occupations that underutilized their skills. Originality/value This study provides a granular perspective on disparities between racialized and White women in levels of employment and utilization in the nursing workforce. The analyses illustrate the need for disaggregated data to reveal where the disparities lie and the context in which these disparities emerge.
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 | 0,006 | 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 | 0,019 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,013 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».