En empirisk undersøkelse om kjønnsdiskrimineringen i lønn påvirkes av utdanning og ferdigheter i Norge, Danmark og Canada
Bibliographic record
Abstract
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.
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.013 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.002 |
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".