学术界因其系统性的性别失衡而受到审视。
为了解性别化模式，研究人员运用机器学习方法，研究了为经济学入门级职位候选人撰写的推荐信。
他们发现，由于无意识偏见，女性更可能因勤奋而受到称赞，而不是因能力而受到称赞。
学术界因性别失衡而受到越来越多的审视（Valian，1999），经济学领域尤其如此（Lundberg，2020）。近期实证研究记录了女性的职业晋升路径存在“漏损”：女性会在职业生涯的关键节点离开这一行业，例如获得博士学位后、成为助理教授之前，或从助理教授晋升为副教授之前（Lundberg 和 Stearns，2019）。在近期一篇论文中（Eberhardt、Facchini 和 Rueda，2022），我们研究了经济学家学术职业生涯的第一步——初级“就业市场”。过去十年，这一阶段的职业路径“漏损”最为严重（Lundberg 和 Stearns，2019），但迄今为止，文献对此尚未给予太多系统性关注（Lundberg，2020）。
经济学学术就业市场的结构独特且高度集中。每年秋季，各大学发布招聘广告，潜在申请者则准备一套“就业市场材料”。这套材料包括一篇或多篇学术论文、一份简历，以及由熟悉候选人的学者撰写的一组推荐信（下文称“推荐人”）。在这一市场中，候选人、推荐人和招聘委员会通过集中式平台互动。大多数职位都使用同一套材料，因此额外申请的边际成本很低。推荐信通常不会针对某一特定机构量身定制（Coles 等，2010）。因此，收到大量申请的机构很可能观察到一个样本，而这个样本可以说能够代表就业市场中的推荐信。
一套独特的推荐信数据集
我们使用一套独特的数据集，涵盖了英国一所研究型大学在2017年至2020年间收到的所有入门级职位申请。我们运用自然语言处理工具，分析了为2,800名候选人撰写的9,000多封推荐信文本。我们发现，一封标准推荐信会详细讨论候选人的就业市场论文，并略微提及其其他研究、教学及其他技能。最后一部分总结候选人的学术能力和受聘前景。我们的研究主要聚焦于这一部分。
将这些文本转换为“词频-逆文档频率表示”后，我们借鉴认知心理学和语言学的方法，量化为女性候选人撰写的推荐信是否系统性地强调了与男性候选人推荐信不同的特质。
方法
我们采用两种互补的方法分析这些推荐信。首先，我们使用无监督方法——LASSO技术——筛选出最能预测候选人性别的词语。在这些预测词中，我们既观察到与研究兴趣相关的词语，也观察到与个性和特质相关的词语（如“坚定”“勤勉”“勤奋”等）。
随后，我们采用监督方法，建立推荐信中常被着重强调的词语词典。这些词典依据该主题的既有研究构建。具体而言，Schmader 等（2007）提出了学术推荐信中通常出现的五类语言（“评价维度”）：能力特质、“勤奋”特质、研究相关词语、突出表现形容词，以及教学和公民参与相关词语。我们还将候选人的受聘前景增列为一个类别。
能力特质指学生的智力水平，包括“有天赋”“才华横溢”“富有创造力”等词语。“勤奋”特质则关联到 Trix 和 Psenka（2003）所说的“埋头苦干”，包括“勤奋”“认真负责”“勤勉”等词语。研究相关词语描述所开展研究的类型（如“应用经济学”“博弈论”“公共经济学”等）。突出表现词语通常是“优秀”“杰出”或“罕见”等最高级表达。教学和公民参与类别既指候选人的教学技能，也指其与同事的互动。该类别中的措辞包括“善于教学”“优秀的同事”“友善”等。最后一类“受聘前景”旨在识别那些常用于描述候选人在竞争激烈且全球化的青年经济学家劳动力市场中预期去向的词语，包括“强烈推荐”“顶尖院系”“终身教职轨道”等。
为验证我们的词典，我们对英国研究型大学的学术经济学家开展了一项原创的全面调查。图1所示的调查结果表明，我们的分类与该专业领域的共识大体一致。
结果
我们估算了推荐信中各评价维度的重要性与候选人性别之间的相关性，并控制推荐信的总体长度以及一组候选人和推荐人的特征。图2展示了基准结果，其中绘出了总计672个不同模型中女性虚拟变量的估计系数。颜色越深的符号表示有越多设定得出的关注参数估计值在统计上显著。实心符号表示在所有可能的聚类方式下，结果均在1%的水平上显著。空心符号表示在任何水平上都未达到统计显著性。
这张图传达的主要信息是，无论机构排名如何，在所有模型设定中，女性候选人都显著更可能与“勤奋”类词语相关（效应为标准差的6%至10%）。这些结果印证了我们对无监督LASSO分析的解读。我们还发现，支持女性候选人的推荐信中，研究相关词语较少。这两项结果都与其他学科的研究发现相呼应（Trix 和 Psenka，2003；Valian，2005）。不同模型设定下的结果都非常稳定，这让我们确信，其他未观察到的混杂因素不太可能改变这些结果。
女性候选人在不同机构之间的分布，或不同推荐人所写推荐信的分布，可能是造成用词差异的重要原因。例如，Boustan 和 Langan（2019）记录到，女性比例是经济学系的一项持久特征，而且这一点对促进女性职业发展很重要。为控制候选人在不同院系之间的分布，我们运行了纳入候选人所属机构固定效应的模型。图3所示结果表明，即使是同一届、毕业于同一机构的学生（例如，他们进入博士项目时可以说适用了相同的入学标准），女性仍显著更可能被“勤奋”类词语描述。
推荐人在不同候选人之间的分布仍可能解释我们的发现。为解决这一问题，我们运行了一组纳入推荐人固定效应的模型。需要指出的是，我们只纳入撰写过两封或以上推荐信，且至少有一封是为女性候选人撰写的推荐人。图3也报告了这些结果，总体上与上述模式一致。
在同一张图中，我们还分别分析了对女性候选人经验较少（较多）的推荐人样本，即其推荐信中少于（多于）50%是为女性撰写的。“经验较少”组似乎是推动“勤奋”结果的主要群体。
经验可能出于两个主要原因而产生影响。一方面，推荐人对女性的看法可能各不相同，而女性候选人会倾向于选择她们认为不容易陷入刻板印象的推荐人。另一方面，推荐人起初的看法可能并无差异，但他们接触女性候选人后会修正原有的刻板印象。还需要进一步研究来厘清这两种机制。
固定效应结果还揭示了与“能力”相关的一种新模式。女性候选人关联的能力类词语明显较少，尽管这一差异并不显著；在“经验较少”组中，这种模式更为清晰。进一步分析显示，在这一组中，男性推荐人所写推荐信中的这种模式具有统计显著性。
经验教训
作为学者，我们都知道，为就业市场候选人撰写和润色推荐信要花费多少时间。这是我们尽力推荐自己学生的机会。因此，平均而言，我们不太可能有意通过少强调一些值得称道的特质来损害女学生的利益。令人鼓舞的是，近期研究表明，向相关参与者提供无意识偏见存在的证据，有助于应对这种偏见（Boring 和 Philippe，2021）。通过记录性别化的语言模式，我们希望这项研究能成为提高人们对自身偏见认识的第一步，从而减少就业市场中的刻板印象。
