When Interpretations of Merit Thresholds Vary and Reproduce Inequality: Entering the Tech Industry Without Computer Science Credentials
Notice bibliographique
Résumé
Meritocracy is widely believed to be a fair system. Although extant literature focuses on managers’ implementation of meritocratic decisions, less attention has been paid to jobseekers’ responses to meritocratic opportunities. This study addresses this gap by examining how aspiring software developers without computer science (CS) degrees respond to the ostensibly meritocratic promise of entering tech through open-access coding skills. Drawing on interview, social media, and ethnographic data, I find that although all aspirants agreed coding skills were the key meritocratic criteria for entering tech without CS degrees, they interpreted the merit threshold (the level of coding competency needed to get their first job) differently and adopted three distinct entry strategies that varied in timing and scope—Early/Broad, Standard, and Late/Narrow. Follow-up data collected three years later revealed that one strategy (Early/Broad) was associated with high employment rates across all subgroups of aspirants and substantially increased employment chances for those historically underrepresented in tech. Yet, most did not opt for it. Indeed, only one group (White men with white-collar/professional backgrounds) clustered in strategies with higher employment rates, resulting in this population securing jobs at a higher rate than others. To explain the variation in merit thresholds and accompanying entry strategies, this study highlights aspirants’ previous encounters with demand-side actors—particularly, their perceptions of whether, and to what extent, employers had previously been willing to give them a chance. These findings contribute to research on meritocracy and labor markets and offer insights into building a more diverse workforce. Funding: This work was supported by the American Sociological Association Doctoral Dissertation Research Improvement [Grant 55209764] and the Washington Center for Equitable Growth [Grant 5510223]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/orsc.2023.17752 .
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».