En empirisk undersøkelse om kjønnsdiskrimineringen i lønn påvirkes av utdanning og ferdigheter i Norge, Danmark og Canada
Notice bibliographique
Résumé
Innholdsfortegnelse 1 Innledning 1.1 Motivering 1 Innledning 1.1 Motivering Kjønnsdiskriminering, likestilling og lønn er et aktuelt og mye omtalt tema.Likestilling mellom blant annet kjønn, legning og rase er noe mange har kjempet og fortsatt kjemper hardt for å oppnå.Det var først i 1913 at kvinner i Norge fikk stemmerett på lik linje som menn.Likestillingen blant kvinner og menn har kommet langt siden den gang, men det er ingen hemmelighet at kjønnsdiskriminering fortsatt foregår, blant annet i lønnsgivning.Lønnsutjevning spiller derfor en viktig rolle i arbeidet for likestilling.1.2 Problemstilling I denne empiriske undersøkelsen ønsker jeg å undersøke om vi har et observerbart lønnsgap mellom kvinner og menn i Norge, Danmark og Canada.Jeg vil se nærmere på om dette eventuelle lønnsgapet påvirkes av utdanning, betalt arbeidserfaring og resultater på tester innen leseferdigheter og tallforståelse.I tillegg ønsker jeg å undersøke om hvilken sektor man jobber i spiller en rolle for et eventuelt lønnsgap.Valget falt på Norge, Danmark og Canada fordi disse tre landene er forholdsvis like når det kommer til blant annet velferd og politikk.Jeg finner det interessant å sammenligne Norge og Danmark som ligger geografisk nære hverandre, i tillegg til å sammenligne disse med Canada som ligger på et helt annet kontinent.På den måten får jeg sammenlignet både innad i Europa, og med Nord-Amerika.2 Teori 2.1 Kapittelinnledning I dette kapittelet vil jeg gi et grunnlag for den empiriske undersøkelsen.Jeg vil se på potensielle årsaker til lønnsforskjeller og om forskjellene kan forklares av ulike faktorer.I tillegg vil jeg gå gjengi et utvalg av relativ informasjon fra tidligere studier og litteratur skrevet om temaet.2.2 Teoretisk rammeverk Utdanning, et delt arbeidsmarked, interesser, barn, og ren kjønnsdiskriminering kan være noen av mange potensielle årsaker til at vi observerer et lønnsgap mellom kvinner og menn.Det finnes såkalte kvinnedominante yrker og mannsdominante yrker, og disse kan være ulikt lønnet.Lenge var det å jobbe med omsorg og husstell sett på som en jobb for kvinner, mens det var sjeldent å se en kvinnelig håndverker, mens det i dag dukker opp flere kvinnelige ansatte i mannsdominante yrker og omvendt.Om vi går enda lengre bak i tid, skulle kvinner føde menns barn, stelle huset og lage mat, mens mennene skulle jobbe og forsørge familien økonomisk.I dag har det underlegne kjønn i flere kjønnsdominante yrker blitt tildelt fortrinn, ved for eksempel tilleggspoeng i skolesammenheng.Dette kan ha vært med på å jevne ut lønnsgapet.Det at menn naturlig dras mot yrker som gir høyere lønn enn kvinner for eksempel på grunn av interesser kan likevel være en potensiell årsak til at vi observerer et lønnsgap.Det kan også være at kvinner og menn søker og blir ansatt i ulike yrker og stillinger innen de samme bransjene.Blant annet kan ujevn fordeling av lederstillinger være en årsak til at vi har lønnsforskjeller.Utdanningsnivå kan også spille en vesentlig rolle.Det kan være at kvinner ikke får de samme mulighetene i arbeidslivet som menn med samme utdanning får.Kvinner velger i en viss grad andre utdanninger enn menn.På lik linje med yrker, har vi kjønnsdominante studieretninger.Det kan tenkes at ferdigutdannede studenter fra kvinnedominante studieretninger har muligheter for lavere betalte jobber, enn det ferdigutdannede fra mannsdominante studieretninger har.
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 | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,013 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,002 |
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.
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 ».