The Quantity-Quality Tradeoff: How Incentives and Monitoring Shape Gender Differences at Work
Notice bibliographique
Résumé
Why do women and men approach the same work differently? Prior research across occupations shows that men tend to emphasize quantity and produce more, whereas women prioritize quality. Researchers have attributed these differences to individual-level factors, such as gender-specific preferences, caregiving responsibilities, and evaluator biases. We propose that organizational practices, specifically production incentives and quality monitoring, also influence these patterns. Using data from the U.S. Patent and Trademark Office (USPTO), we conceptualize the quantity-quality tradeoff using examiner leniency and leverage discontinuities in incentives and monitoring to assess their effects. We theorize and find that stronger production incentives lead men to be more lenient than women, prioritizing quantity. Under heightened monitoring, women are less lenient than men, emphasizing quality. Further, monitoring moderates the relationship between incentives and gender differences in leniency such that the largest gender gap occurs under strong incentives and weak monitoring. Our study demonstrates that organizational practices interact with worker gender to shape the quantity-quality tradeoff, indicating that incentive and monitoring systems—though not designed to affect gender inequality—produce distinct and unintended effects that are essential to understanding and addressing workplace disparities. Funding: We greatly appreciate funding support from the Gender & Work Initiative at the Johns Hopkins Carey Business School. Supplemental Material: The online appendix is available at https://doi.org/10.1287/orsc.2023.17754 .
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».