Lean In or Don’t Lean Out? Opt-Out Framing Attenuates Gender Differences in the Decision to Compete
Notice bibliographique
Résumé
Research has documented a persistent gender gap in the upper echelons of organizations, which is in part attributed to gender differences in the propensity to compete and apply for promotions. In this dissertation, I argue that, rather than being the product of “dispositional” differences between men and women, this gender gap is due to the organizational contexts or organizational designs in which competitions take place. Most competitive selection processes (e.g., promotions) require self-nomination via an application (opt-in frame), which could disadvantage women. I propose that utilizing an opt-out frame for competitive selection processes will attenuate gender differences in potential candidates’ likelihood of applying. To test the theoretical underpinnings and practical implications of employing opt-out interventions to mitigate gender inequality, I develop a comprehensive set of laboratory and field-based experiments. The findings of these experiments provide compelling evidence that this gender difference can be eliminated by changing the default framing of a competitive task from one wherein applicants must actively choose to compete to one wherein applicants are automatically enrolled in competition, but can choose to opt out. Changing the default framing affects perceptions of prevailing social norms relating to gender and competition, as well as perceptions about the performance or ability threshold that is required in order to apply. This research contributes to theory by suggesting that gender differences in competition are not absolute, and by building on the conceptualization of inequality as a macro, system-level problem. On a practical level, the findings of this research have relevance for organizations aiming to close the gender gap in career advancement.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,001 |
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 ».