작가:  (1) Anuar Assamidanov, Claremont Graduate University 경제학과, 150 E 10th St, Claremont, CA 91711. (이메일: anuar.assamidanov@cgu.edu).  링크 표   추상적인   배경   데이터   방법론   결과   토론 및 결론, 참고문헌   A 부록 표 및 그림  추상적인  채용 과정에서 성차별은 노동시장 불평등을 초래하는 중요한 요인 중 하나입니다. 그러나 채용 관리자의 성별 편견이 이러한 격차에 어느 정도 영향을 미치는지에 대한 증거는 거의 없습니다. 본 논문에서는 선택 과정에서 자신의 성별 편견을 식별하기 위한 실험으로 The Voice TV 쇼의 블라인드 오디션에 대한 고유한 데이터 세트를 활용합니다. 주목받는 녹음 아티스트 4명이 코치로 참여하는 첫 방송 무대 오디션은 참가자를 보지 않기 위해 '무시'(무대에서 반대쪽을 향한 의자)로 참가자의 말을 듣는다. 차이 추정 전략을 사용하면 코치(고용하는 사람)는 아티스트의 성별과 관련하여 명백히 외생적입니다. 아티스트가 혜택을 받을 때 선택될 가능성이 4.5% 포인트(11%) 더 높다는 것을 발견했습니다. 이성 코치. 나는 또한 Athey et al.의 기계 학습 접근 방식을 활용합니다. (2018)은 팀 성별 구성, 수행 순서, 코치 실패율의 이질성을 포함합니다. 이번 연구 결과는 의사결정자의 성별과 팀의 성별 구성에 따라 성별 편견이 변하는 사례를 밝히고, 성차별에 대한 과거 연구를 강화하는 새로운 관점을 제시합니다.  채용 과정에서 성차별은 열악한 노동 시장을 초래하는 중요한 요인 중 하나입니다(Blau and Kahn, 2007). 고용에 있어서 성별 차이는 측정하기 어렵기 때문에 인적 자본 및 관련 기술의 차이와 같은 교란 변수와 고용에 미치는 영향을 구별하기가 어렵습니다. 그러나 Baert(2018)는 노동 시장 결과에 대한 실제 효과를 추정하기 위해 교란 요인을 풀어낸 실험적 방법을 사용하여 채용 시 성차별의 증거에 대한 연구를 목록화했습니다.  연구에 따르면 노동 시장에서 여성에 대한 고용 차별 관행이 발견되었지만, 이 연구의 대부분은 실험적 방법을 활용했습니다(Bertrand and Duflo, 2017; Baert, 2018; Neumark, 2018). 이 실험에서는 후보자의 성별만 다른 가상의 채용 지원서 쌍이 실제 채용 공고로 전송됩니다. 차별은 고용주의 후속 전화와 후보자의 성별로 식별됩니다. 대응 테스트 방법론은 노동 시장에서 채용 차별을 추정하기 위한 표준입니다(Baert, 2015). 그러나 이 채용 문헌에서는 채용 의사 결정자의 성별을 관찰할 수 없거나 집단적으로 결정이 내려집니다. 또한 이러한 실험은 콜백 비율만 포착할 뿐 채용 프로세스의 초기 단계를 벗어나지 않습니다. 또한, 고용주의 채용 결정이 컷오프 규칙에 기초한다고 가정하면 두 그룹 간의 생산성에 관찰되지 않은 변수 차이가 있을 수 있으며, 이는 편향된 차별 조치를 유발할 수 있습니다(Neumark, 2012).  성차별에 관한 문헌의 또 다른 부분은 채용 결정에 있어 자신의 성별 편견(즉, 자신과 같은 성별의 사람에 대한 편애)입니다. 실험실 실험에서는 정보가 자동으로 처리될 때 여성이 자신의 성별 편견을 나타내는 경우가 종종 발견되지만 이러한 결과는 남성의 경우에는 발견되지 않습니다(Rudman and Goodwin, 2004). 그러나 이러한 결과가 반사적(비자동) 프로세스를 특징으로 하는 실제 채용 결정에 적용되는지 여부는 불분명합니다. 실제 고용 결정에 관한 기존 연구는 일반적으로 노동 시장의 특정 부문을 고려하고 자신의 성별 편견에 대한 혼합된 증거를 찾습니다(Booth and Leigh, 2010; Bagues and Esteve-Volart, 2010; Bagues et al., 2017). 이러한 설정에서는 데이터 제한으로 인해 후보자의 성별에 비해 고용주의 성별을 선호하는지(즉, 자신의 성별에 대한 편견)를 구별하기가 어렵습니다. 이 문서의 주요 목적은 채용 과정에서 자신의 성별에 대한 편견이 존재하는지 테스트하는 것입니다. 잠재적인 연구 결과는 개인 수준의 현재 노동 시장에 대한 이해와 이에 따른 대규모 영향을 알려줄 수 있습니다.  채용 과정에서 성별 편견을 테스트할 때 가장 어려운 점은 채용 의사 결정자와 지원자가 자신의 성별 편견을 생성하는 인과 요인을 주장하는 무작위 선택 과정의 결과가 아니라는 것입니다. 또한, 근본적인 식별 과제는 연구자들이 이미 고용된 근로자에 대한 실제 데이터만 관찰한다는 것입니다. 지원자가 고용되지 않은 경우에는 기록되지 않습니다. 이러한 제한으로 인해 채용 결정자의 성별이 채용되는 지원자의 성별을 결정하는지 여부에 대한 공개 질문이 이 문헌에 있습니다. 본 논문에서는 선정 과정에서 자신의 성별 편견을 식별하기 위한 자연스러운 실험으로 Voice TV 쇼의 블라인드 오디션에 대한 독특한 데이터 세트를 활용합니다.  나는 코치(고용하는 사람)가 아티스트의 성별과 관련하여 명백히 외생적인 환경인 The Voice 쇼에서 자신의 성별 편견을 평가합니다. Voice TV 쇼의 첫 번째 방송 무대는 블라인드 오디션입니다. 주목할만한 녹음 아티스트인 4명의 코치는 참가자를 보지 않기 위해 무대에서 떨어진 의자에 앉아 참가자의 말을 듣습니다. 코치가 참가자의 목소리가 마음에 들면 버튼을 눌러 의자를 회전시켜 해당 참가자와 함께 작업하는 데 관심이 있다는 신호를 보냅니다. 이러한 추정의 장점은 코치가 참가자의 목소리만 관찰하고 목소리에서 참가자의 성별을 추정한다는 것입니다. 따라서 "블라인드" 결정 프로세스로 인해 이 설정에서는 아티스트 및 코치와 관련된 다른 특성이 제거됩니다. 나는 이것이 코치를 참가자에게 무작위로 할당하는 일반화된 차이 식별 전략을 사용할 수 있는 그럴듯한 환경이라고 생각합니다. NBA 심판의 인종 편견에 대한 Price and Wolfers(2010)의 연구처럼, 나는 여성 코치와 남성 코치가 여성 참가자와 남성 참가자를 선택할 확률의 차이를 비교합니다.  여러 유형의 추론을 도출함으로써 분석은 이성 편견(이성에 대한 선호)에 대한 체계적인 증거를 보여줍니다. 남성 코치는 주로 여성 참가자를 선호하는 반면, 여성 코치는 남성 참가자를 선호합니다. 참가자들은 이성 코치가 선발할 확률이 4.5%포인트(11%) 더 높았다. 이질성을 보다 체계적으로 조사하기 위해 Athey와 Wager(2019)의 머신러닝 접근 방식을 적용했습니다. 각 코치 팀의 성별 구성, 코치의 실패율, 수행 순서에 이질성을 포함시켜 분석을 확장했습니다. 결과는 새로운 참가자를 선택하는 동안 팀 구성에 따라 크게 달라지는 성별 편견에 대한 흥미로운 통찰력을 제공합니다.  이 논문은 선발 과정에 미치는 영향을 조사하기 위해 성별의 무작위 변화를 사용하는 채용 관행에 대한 최초의 탐구 중 하나를 제공합니다. 성별의 무작위 변화를 통해 관찰된 격차가 참가자 성별에 걸쳐 관찰되지 않은 차이로 인해 발생할 수 있다는 잠재적인 우려를 극복할 수 있습니다. 둘째, 본 논문은 준실험적 차이 식별 전략에 이질적 치료 효과에 대한 인과적 산림 기계 학습 추론의 Athey and Wager(2019) 방법을 적용합니다.  이 논문은 Carlsson 및 Eriksson(2019)의 작업과 밀접한 관련이 있습니다. 그들의 작업은 그룹 내 성별 선호의 역할이 다른 많은 맥락에서 문서화되었음을 암시하는 관련 증거를 제공합니다. 그들은 채용에 대한 대규모 현장 실험의 데이터와 채용 담당자의 성별 및 많은 회사의 여성 직원 비율에 대한 데이터를 결합하여 실제 채용 결정에서 그룹 내 및 자신의 성별 편견을 조사했습니다. 그 결과 여성(여성 채용 담당자 또는 여성 직원 비율이 높은 회사)은 채용 과정에서 여성을 선호하는 것으로 나타났습니다. 그럼에도 불구하고 본 연구는 채용 담당자의 성별에 관한 참여 기업의 정보 중 극히 일부만을 제공하므로 상당한 측정 오류가 발생할 수 있습니다.  이 작업과 유사하게 Goldin과 Rouse(2000)는 정책 개입으로 성별에 편향된 오케스트라 단원 선택을 조사하기 위해 오케스트라 맥락에서 실명을 연구했습니다. 이 논문은 나는 채용자와 참가자의 성별을 관찰할 수 있고, 코치는 목소리를 바탕으로 수행자의 성별을 관찰할 수 있다는 점에서 그들의 작업과 다릅니다. 코치들의 결정도 개별적으로 이뤄지지만, 오케스트라 블라인드 오디션에서는 집단적인 결정이 있었다. 마지막으로, 이 설정의 또 다른 독특함은 각 코치가 하나의 회사로 가정될 수 있는 시장 구조를 분석할 수 있다는 것입니다. 공연 순서와 노래 장르를 활용해 코치들의 시장지배력을 표현할 수 있었다. 이러한 모든 요소를 통제하면 경쟁 시장에서 성차별에 대한 새로운 차원을 제시할 수 있습니다.  나머지 논문은 다음과 같이 구성된다. 섹션 1에서는 더보이스에 대한 간략한 배경을 설명하고, 프로그램의 블라인드 오디션 단계를 요약하며, 견적 전략을 미리 보여줍니다. 섹션 2에서는 데이터에 대해 설명합니다. 4절에서는 실증적 전략을 자세히 설명합니다. 섹션 5에서는 결과를 제시하고 섹션 5에서는 결론을 내립니다.  이 문서는 CC 4.0 라이선스에 따라   있습니다. arxiv에서 볼 수

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Precedent Tech 

Precedent publishes about the technology breakthroughes that'll rule tmw's mundane.

Precedent's blog

이 오디오는 이야기의 원래 언어로 제작되었습니다!

'더 보이스(The Voice)' 오디션을 통해 채용 시 성별 편견에 대해 밝혀진 것

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps