[论文解读] Gender, Productivity, and Prestige in Computer Science Faculty Hiring Networks

Samuel F. Way, Daniel B. Larremore+1 more|arXiv (Cornell University)|Feb 2, 2016

Gender Diversity and Inequality被引用 4

一句话总结

本研究采用基于网络的建模方法，分析205所北美授予博士学位的计算机科学系在聘任中的性别差异。研究发现，尽管在控制了机构声望和学术产出后，性别本身并不能显著预测聘任结果，但性别差异通过产出水平、博士后训练经历和职业流动性等方面的差异被间接嵌入其中，顶尖院校不成比例地招募女性，可能限制了较低排名院校的招聘机会。

ABSTRACT

Women are dramatically underrepresented in computer science at all levels in academia and account for just 15% of tenure-track faculty. Understanding the causes of this gender imbalance would inform both policies intended to rectify it and employment decisions by departments and individuals. Progress in this direction, however, is complicated by the complexity and decentralized nature of faculty hiring and the non-independence of hires. Using comprehensive data on both hiring outcomes and scholarly productivity for 2659 tenure-track faculty across 205 Ph.D.-granting departments in North America, we investigate the multi-dimensional nature of gender inequality in computer science faculty hiring through a network model of the hiring process. Overall, we find that hiring outcomes are most directly affected by (i) the relative prestige between hiring and placing institutions and (ii) the scholarly productivity of the candidates. After including these, and other features, the addition of gender did not significantly reduce modeling error. However, gender differences do exist, e.g., in scholarly productivity, postdoctoral training rates, and in career movements up the rankings of universities, suggesting that the effects of gender are indirectly incorporated into hiring decisions through gender's covariates. Furthermore, we find evidence that more highly ranked departments recruit female faculty at higher than expected rates, which appears to inhibit similar efforts by lower ranked departments. These findings illustrate the subtle nature of gender inequality in faculty hiring networks and provide new insights to the underrepresentation of women in computer science.

研究动机与目标

• 通过将聘任过程建模为机构关系网络，探究性别在计算机科学教师聘任中的作用。
• 在控制机构声望和学术产出后，确定性别是否直接影响聘任结果。
• 识别性别差异可能通过哪些间接路径嵌入聘任决策中，例如产出水平或职业轨迹的差异。
• 检查排名更高的院校是否在招募女性教师方面具有竞争优势，从而可能限制较低排名院校的机会。
• 提供一个数据驱动的框架，以理解并解决学术计算机科学聘任中的系统性性别失衡问题。

提出的方法

• 基于美国和加拿大205所授予博士学位的院系中2659名终身轨计算机科学教师的数据，构建了教师聘任的网络模型。
• 使用逻辑回归模型，将候选人与机构之间的聘任匹配概率作为因变量，将机构声望和候选人产出作为关键预测变量。
• 利用包含聘任结果、性别、发表记录和机构排名的全面数据训练模型。
• 将聘任机构与安置机构之间的相对声望作为主要预测变量，以反映学术聘任的层级性质。
• 通过测量在已包含声望和产出后，加入性别作为预测变量时预测误差的减少量，评估模型性能。
• 分析不同机构排名中性别代表性模式，以检测女性在聘任中是否存在与排名相关的有利条件。

实验结果

研究问题

• RQ1 在控制机构声望和学术产出后，性别是否仍直接影响计算机科学教师聘任结果？
• RQ2 性别差异在聘任中的影响在多大程度上通过学术产出水平、博士后训练经历或职业流动性差异而被中介？
• RQ3 排名更高的院校是否以高于预期的比率招募女性教师？如果是，这对较低排名院校的聘任动态有何影响？
• RQ4 由于聘任结果之间存在非独立性——即聘任通过机构网络相互关联——这在多大程度上影响了院系改善性别平衡的能力？
• RQ5 对聘任模式的网络建模能否揭示仅从总体统计数据中难以察觉的结构性不公？

主要发现

• 在控制机构声望和学术产出后，加入性别作为预测变量并未显著降低模型误差，表明在该模型中性别并不直接决定聘任结果。
• 计算机科学领域的女性平均学术产出低于男性，这通过基于产出的选拔机制间接影响聘任结果。
• 相较于男性，更多女性选择接受博士后训练，表明这可能是一个影响聘任动态的潜在人才管道或职业发展因素。
• 排名更高的院校招募女性教师的比例高于基于女性候选人池的预期水平，表明其在吸引女性方面具有竞争优势。
• 由于顶尖院校似乎占据了合格女性的不成比例份额，较低排名院校在招聘女性候选人方面可能处于劣势。
• 本研究揭示，教师聘任中的性别不平等是微妙且结构性的，其根源在于产出和职业轨迹等协变量，而非决策中的显性性别偏见。