Écarts salariaux et disparités professionnelles entre sexes : développements théoriques et validité empirique
Bibliographic record
Abstract
Cet article recense l’apport de la théorie économique dans la compréhension des causes des disparités professionnelles entre sexes. Parmi les premières théories développées, deux courants s’opposent : des modèles justifiant ces différences par des écarts de productivité et les théories de la discrimination qui les expliquent, soit par les préjugés des employeurs à l’encontre des femmes, il s’agit dans ce cas de discrimination par goût, soit par des imperfections d’informations, on parle alors de discrimination statistique. Or, ces théories dans leur version les plus simples se sont révélées peu convaincantes dans leur validité empirique. C’est pourquoi des modèles de discrimination de seconde génération ont été développés : ils dépassent l’opposition stricte entre différences de productivité et discrimination. Les modèles de discrimination par goût font désormais intervenir la dynamique des coûts reliés à la recherche d’emplois. Les modèles de discrimination statistique obtiennent quant à eux des conclusions plus convaincantes en se plaçant dans un contexte informationnel plus complexe et en y intégrant les concepts de la théorie du capital humain.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.011 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".