Implementing proactive gender pay equity legislation : a study of Icelandic and Canadian pay equity legislation and its future impacts on the gender wage gap
Notice bibliographique
Résumé
This study will be looking into the primary factors that influence the implementation of gender pay equity legislation. The central focus will be on Icelandic companies, however to understand the universality of these implementation factors, strategies, and barriers, Canadian insights will also be included in the analysis. \nThe key elements investigated in this study include, organizational gender demographics, implementation strategies, implementation barrier, key success factors, and potential long-term implications of gender pay equity legislation. The purpose of this study is to examine how organizations are applying gender pay equity legislation, and whether or not this legislation will successfully address the factors contributing to the gender wage gap. \nThe findings of this study suggest that occupational gender segregation continues to play a large part in the gender wage gap. It was also found that there are similar techniques being used to implement gender equity legislation in both Iceland and Canada. In particular, having well-structured documentation and the use of outside consultants have been identified as important factors in the implementation process. In terms of barriers and challenges, Iceland presented with fewer internal barriers than Canada, partly due to higher levels of internal support and stricter legislative enforcement. \nThe current legislative movement towards achieving equitable compensation for women and men in Iceland is a positive change, however, it is too soon to tell if it will be effective enough to eliminate the wage gap. The dominant sentiment amongst participant was that through the new legislation is a step in the right direction, it will not have a major impact on their businesses or industry as a whole. It was concluded that larger societal changes are needed to correct the underlying causes of wage discrepancies.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,024 | 0,005 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».