El mundo académico está bajo escrutinio debido a sus desequilibrios de género sistémicos.
Para comprender los patrones de género, los investigadores utilizaron métodos de aprendizaje automático para estudiar cartas redactadas para candidatos a puestos de nivel inicial en economía.
Descubrieron que, debido a sesgos inconscientes, es más probable que se elogie a las mujeres por ser trabajadoras que por su capacidad.
El mundo académico está cada vez más bajo escrutinio debido a los desequilibrios de género (Valian 1999), y esto es especialmente cierto en economía (Lundberg 2020). Estudios empíricos recientes han documentado que la trayectoria profesional de las mujeres tiene «fugas»: abandonan la profesión en momentos críticos, como entre la obtención del doctorado y el nombramiento como profesoras ayudantes, o entre los puestos de profesora ayudante y profesora asociada (Lundberg y Stearns 2019). En un artículo reciente (Eberhardt, Facchini y Rueda 2022), estudiamos el primer paso de la carrera académica de un economista: el «mercado laboral» para puestos júnior. Esta es la etapa en la que la «fuga» de la trayectoria se ha acentuado más durante la última década (Lundberg y Stearns 2019) y que, hasta ahora, ha recibido poca atención sistemática en la bibliografía (Lundberg 2020).
El mercado laboral académico de la economía tiene una estructura singular y está centralizado. Cada otoño, las universidades publican ofertas de empleo y los posibles candidatos preparan un «paquete de candidatura para el mercado laboral». Este paquete consta de uno o varios artículos académicos, un CV y un conjunto de cartas de recomendación redactadas por académicos que conocen al candidato (en adelante, «referentes»). En este mercado, los candidatos, los referentes y los comités de selección interactúan a través de plataformas centralizadas. Se utiliza el mismo paquete para la mayoría de los puestos, por lo que el coste marginal de presentar una solicitud adicional es muy bajo. Por lo general, las cartas de recomendación no se adaptan a ninguna institución en particular (Coles et al. 2010). Como resultado, es probable que cualquier institución que reciba muchas solicitudes observe una muestra razonablemente representativa de las cartas de recomendación del mercado.
Un conjunto de datos único de cartas de recomendación
Utilizamos un conjunto de datos único que abarca todas las solicitudes para puestos de nivel inicial recibidas por una universidad de investigación intensiva del Reino Unido entre 2017 y 2020. Mediante herramientas de procesamiento del lenguaje natural, analizamos el texto de más de 9.000 cartas de recomendación redactadas en apoyo de 2.800 candidatos. Observamos que una carta típica incluye un análisis extenso del artículo del candidato para el mercado laboral y alguna mención de sus investigaciones adicionales, su docencia y otras aptitudes. La sección final resume las capacidades académicas y las perspectivas de contratación del candidato. En nuestra investigación nos centramos principalmente en esta sección final.
Tras transformar este texto en una «representación de frecuencia de términos y frecuencia inversa de documentos», recurrimos a la psicología cognitiva y la lingüística para cuantificar si las cartas redactadas para candidatas destacan atributos sistemáticamente distintos de los que se destacan en las cartas redactadas para candidatos.
Métodos
Utilizamos dos métodos complementarios para analizar las cartas. Empezamos con un enfoque no supervisado, la técnica LASSO, para seleccionar los términos que mejor predicen el género de un candidato. Entre estos predictores observamos términos relacionados no solo con los intereses de investigación, sino también con la personalidad y los rasgos («decidido», «diligente», «trabajador», etc.).
A continuación, aplicamos un método supervisado mediante la creación de diccionarios de palabras que suelen destacarse en las cartas de recomendación. Estos diccionarios se elaboraron a partir de investigaciones existentes sobre el tema. En particular, Schmader et al. (2007) proponen cinco categorías lingüísticas («sentimientos») que suelen aparecer en las cartas académicas de recomendación: rasgos de capacidad, rasgos de esfuerzo, términos de investigación, adjetivos sobresalientes y términos relativos a la docencia y la ciudadanía. Añadimos las perspectivas de contratación del candidato como una categoría adicional.
Los rasgos de capacidad se refieren a la capacidad intelectual del estudiante e incluyen términos como «talento», «brillante», «creativo», entre otros. Los rasgos de esfuerzo aluden, en palabras de Trix y Psenka (2003), a «arrimar el hombro al trabajo» e incluyen términos como «trabajador», «concienzudo», «diligente», entre otros. Los términos de investigación describen el tipo de investigación realizada (por ejemplo, «economía aplicada», «teoría de juegos», «economía pública», etc.). Los términos sobresalientes suelen ser superlativos como «excelente», «extraordinario» o «excepcional». La categoría de docencia y ciudadanía alude tanto a las aptitudes docentes del candidato como a sus interacciones con colegas. Entre las expresiones de este grupo figuran «buen docente», «excelente colega», «amable», entre otras. La última categoría, las perspectivas de contratación, se añadió para identificar palabras ampliamente utilizadas para describir el destino laboral previsto del candidato en el mercado de trabajo, muy competitivo y globalizado, para jóvenes economistas. Entre los términos de este grupo figuran «muy recomendable», «departamento de primer nivel», «contrato con posibilidad de obtener la titularidad», entre otros.
Para validar nuestros diccionarios, realizamos una encuesta original y exhaustiva a economistas académicos de universidades de investigación intensiva del Reino Unido. Los resultados de este ejercicio, presentados en la Figura 1, indican que existe un amplio consenso entre nuestra clasificación y la de la profesión.
Resultados
Estimamos la correlación entre la importancia de cada sentimiento en la carta de recomendación y el género del candidato, controlando la extensión total de la carta y un conjunto de características del candidato y del referente. Los resultados de referencia se presentan en la Figura 2, donde graficamos los coeficientes estimados de la variable indicadora de mujer al ejecutar un total de 672 modelos distintos. Un símbolo más oscuro indica que un mayor número de especificaciones arroja estimaciones estadísticamente significativas para el parámetro de interés. Los símbolos rellenos indican significación al nivel del 1 % con todas las agrupaciones posibles. Los símbolos huecos indican que no se encuentra significación estadística en ningún nivel.
El mensaje principal de esta figura es que, independientemente de la clasificación de la institución, es significativamente más probable que se asocie a las candidatas con términos de esfuerzo (entre el 6 % y el 10 % de una desviación estándar) en todas las especificaciones. Estos resultados confirman nuestra interpretación del análisis no supervisado LASSO. También observamos que en las cartas de apoyo a las candidatas se utilizan menos términos relacionados con la investigación. Ambos resultados coinciden con hallazgos de otras disciplinas (Trix y Psenka 2003; Valian 2005). Los resultados parecen notablemente estables en distintas especificaciones, lo que da confianza en que otros factores de confusión no observados probablemente no cambiarían los resultados.
La distribución de las candidatas entre instituciones o autores de cartas podría desempeñar un papel importante a la hora de explicar las diferencias en el lenguaje utilizado. Por ejemplo, Boustan y Langan (2019) documentan que la representación femenina es una característica persistente de los departamentos de economía y que promover las carreras de las mujeres es importante. Para abordar la distribución entre departamentos, ejecutamos modelos que incluyen efectos fijos de la institución del candidato. Los resultados se presentan en la Figura 3 y sugieren que, entre estudiantes de la misma cohorte que se gradúan de la misma institución (y que, por ejemplo, fueron admitidos en su programa de doctorado con criterios de ingreso presumiblemente iguales), sigue siendo significativamente más probable que se describa a las mujeres con términos de esfuerzo.
La distribución entre quienes redactan las cartas aún podría explicar nuestros resultados. Para abordar esta cuestión, ejecutamos una serie de especificaciones que incluyen efectos fijos del autor. Cabe señalar que solo incluimos a referentes que han escrito dos o más cartas, de las cuales al menos una es para una candidata. Estos resultados también se presentan en la Figura 3 y, en general, concuerdan con los patrones anteriores.
En la misma figura, analizamos por separado la muestra de referentes con menos (más) experiencia con candidatas, es decir, aquellos cuyas cartas de recomendación para mujeres representan menos (más) del 50 % del total. El grupo con «menos experiencia» parece ser el que impulsa el resultado relativo al esfuerzo.
La experiencia podría ser importante por dos motivos principales. Por un lado, los referentes podrían tener percepciones distintas de las mujeres, y las candidatas podrían buscarlos para evitar estereotipos. Por otro, es posible que inicialmente no haya diferencias entre los referentes, pero que su exposición a candidatas los lleve a revisar sus estereotipos previos. Se necesita más investigación para distinguir entre estos dos mecanismos.
Los resultados de efectos fijos también revelan un nuevo patrón en cuanto a la «capacidad». Se asocia a las candidatas con muchos menos términos de capacidad, aunque la diferencia no es estadísticamente significativa; el patrón se aprecia con mayor claridad en el grupo con «menos experiencia». En un análisis adicional, mostramos que este patrón es significativo entre los autores hombres de cartas de ese grupo.
Lecciones aprendidas
Como académicos, todos sabemos cuánto tiempo se dedica a redactar y pulir cartas de recomendación para candidatos del mercado laboral. Es una oportunidad para hacer todo lo posible por promover a nuestros estudiantes. Por ello, es poco probable que, en promedio, estemos perjudicando deliberadamente a las estudiantes al destacar menos atributos deseables. Como nota positiva, investigaciones recientes han demostrado que es posible combatir los sesgos inconscientes proporcionando a las personas implicadas pruebas de que tales sesgos existen (Boring y Philippe 2021). Al documentar patrones lingüísticos asociados al género, esperamos que esta investigación sea un primer paso para aumentar la conciencia sobre nuestros sesgos y, de ese modo, reducir los estereotipos en los mercados laborales.
