Modelos basados en agentes de las

desigualdades de género en la progresión de la

carrera
John Bullinaria

Universidad de Birmingham, Reino Unido

Journal of Artificial Societies and Social Simulation 21 (3) 7

<http://jasss.soc.surrey.ac.uk/21/3/7.html>
DOI: 10.18564 / jasss.3738

Recibido: 21-jun-2017 Aceptado: 30-abr-2018 Publicado: 30-jun-2018

Se presenta un marco de simulación basado en agentes que proporciona un enfoque basado

en principios para investigar las desigualdades de género en las jerarquías profesionales,
como universidades o empresas. Las poblaciones de agentes artificiales compiten por la
promoción en sus profesiones elegidas, lo que lleva a distribuciones emergentes que pueden
combinarse con escenarios de la vida real y permite explorar la influencia de las
preferencias de carrera social o genéticamente adquiridas. El objetivo es que tales modelos
permitan una mejor comprensión de cómo surgen y evolucionan los desequilibrios, faciliten
la identificación de señales específicas que puedan indicar la presencia o ausencia de
discriminación y proporcionen una herramienta para determinar cómo y cuándo las
estrategias de intervención particulares pueden ser apropiadas para rectificar cualquier
desigualdad Los resultados generados a partir de una serie representativa de estudios de
casos abstractos que involucran diferencias de habilidades basadas en el género innatas o
culturales, discriminación basada en el género y diversas formas de preferencias de carrera
específicas de género demuestran el poder del enfoque. Es de esperar que estas
simulaciones inspiren y faciliten mejores enfoques para abordar estos problemas en la vida
real.
Palabras clave: Modelos basados en agentes, desigualdades de género, preferencias
profesionales, aprendizaje social,
evolución

Introducción
1.1Ha habido una gran preocupación y discusión desde hace muchos años sobre
los importantes desequilibrios de género actualmente presentes en ciertas
profesiones y secciones de la academia, como la física universitaria, la filosofía y
los departamentos de informática ( Allen-Hermanson 2017 ; Altonji & Blank
1999 ; Beyer 2014 ; Camp 1997 ; Cheryan et al., 2017 ; Handelsman et al.,
2005 ; Moss-Racusin et al., 2012 ). Entonces, dada la evidencia que indica que la
diversidad de género está asociada con la mejora en la toma de decisiones y la
resolución de problemas ( Handelsman et al., 2005 ) y el aumento de ventas y
ganancias ( Herring 2009)), y el potencial obvio para la escasez de habilidades
críticas si se excluye un género ( Camp 1997 ), no es sorprendente que se hayan
sugerido varias estrategias para rectificar tales desequilibrios. Los enfoques
anteriores han variado desde varias formas de discriminación positiva, a través de
tipos específicos de publicidad y reeducación, hasta la simple adopción de un
lenguaje más equitativo en cuanto algénero ( Sczesny et al., 2016 ). Sin embargo,
cuando no está claro cuáles son las principales causas subyacentes de los
desequilibrios ( Beasley & Fischer 2012 ; Beyer 2014 ; Blickenstaff 2005 ; Cheryan
et al., 2017 ; Halpern et al., 2007 ; Wang & Degol 2014 ; Wang et al.,
2013).; Williams y Ceci 2015 ), puede ser difícil identificar las mejores estrategias
para lidiar con ellos y medir su efecto, y también existe una preocupación
persistente de que la adopción de estrategias de intervención particulares basadas
en suposiciones incorrectas en realidad podría empeorar las cosas en lugar de
mejorarlas.

1.2A menudo se afirma que la causa principal del desequilibrio de género es la

simple discriminación contra un género en particular ( Davison y Burke
2000 ; Moss-Racusin y otros, 2012 ), y si eso no se puede prevenir, un remedio
apropiado sería alguna forma de discriminación. Sin embargo, otros estudios
indican que, en algunos casos al menos, no existe tal sesgo en los procesos de
contratación ( Allen-Hermanson 2017 ; Williams & Ceci 2015) Otra posible causa
de desequilibrio podría ser que la evolución por selección natural ha llevado a
diferentes géneros a especializarse para diferentes roles, y por lo tanto
intrínsecamente más capaces o menos capaces en áreas particulares. Es
indudablemente cierto que existen diferencias físicas significativas basadas en el
género para muchas especies, como que los hombres son más grandes y más
fuertes en promedio que las mujeres, pero las diferencias asociadas en las
capacidades intelectuales son más controvertidas. En particular, hay pruebas
contradictorias sobre las diferencias de capacidades relacionadas con el cerebro
basadas en el género en los humanos, y su impacto potencial sobre las
desigualdades de género en profesiones como la informática ( Baron-Cohen
2004 , Benbow 1988 , Browne 2002 , Cahill 2006; Geary 1998 ; Halpern
2012 ; Halpern y col. 2007 ; Kimura 2000 ; Spelke 2005 ). Con una contratación y
promoción justa basada en el rendimiento, cualquier diferencia de habilidades que
conduzca a un desempeño inferior inevitablemente resultaría en menos éxito en
cualquier profesión que dependa de esas habilidades, y eso podría generar una
tendencia consecuente para que ese género evite ingresar a profesiones
relacionadas en el futuro. . De hecho, incluso cuando ambos géneros tienen la
misma capacidad promedio, las diferencias en las colas de las distribuciones de
habilidades pueden ser suficientes para generar desequilibrios de género
significativos ( Humphreys 1988 , Wai et al., 2010) Además, incluso cuando no
existen diferencias de habilidades intrínsecas al nacer, aún podría haber factores
culturales que conduzcan a diferencias de capacidad en los adultos, como las
derivadas de los sesgos en el sistema educativo ( Else-Quest et al., 2010 ; Hyde &
Mertz 2009 ) No está del todo claro qué intervenciones serían más beneficiosas
para tipos particulares de diferencia de capacidad, ni si alguna intervención en
absoluto sería una estrategia sensata. Una última posibilidad es que, incluso
cuando no hay discriminación directa, y no hay diferencias de capacidad en el
área elegida, un género podría estar en desventaja por otros factores, como
retrasos en la progresión profesional relacionados con la crianza de los hijos y la
licencia de maternidad ( Ceci & Williams 2011), y tales causas de desequilibrio de
género probablemente requieran diferentes formas de intervención.

1.3Un enfoque obvio para comprender los desequilibrios de género u otros

problemas de diversidad dentro de los procesos interactivos complejos es
construir simulaciones computarizadas de los mismos ( Helbing 2010 ; Martell et
al., 1996 ; Robison-Cox et al., 2007 ). Eso permite que los modelos de los temas
centrales sean formulados sin todos los factores de confusión y las complicaciones
de la vida real, y las estrategias para la intervención pueden ser exploradas y
optimizadas antes de infligirlas a personas reales. Lo que parece ser menos
apreciado es que las simulaciones basadas en agentes de poblaciones de
individuos con selección basada en habilidades se usan comúnmente en los
campos de la inteligencia computacional ( Engelbrecht 2007 ) y la vida artificial
( Bullinaria 2009, 2017 ) y proporcionan un enfoque particularmente efectivo para
explorar las causas, efectos y remedios clave aquí. Dichos modelos también
tienen la ventaja significativa de que la evolución de los factores y memes
relevantes por procesos de selección natural puede implementarse directamente
dentro del mismo marco. Además, al basarse en modelos existentes probados y
comprobados, los diversos escollos metodológicos que a menudo surgen con las
simulaciones basadas en agentes de los escenarios sociales y económicos
( Galán et al., 2009 ; Richiardi et al., 2006;) se puede evitar más fácilmente. Por lo
tanto, este documento propone un marco general para formular y optimizar dichos
modelos, y presenta una selección de resultados de simulación para varios
escenarios abstractos que ilustran el potencial del enfoque.

1.4El resto de este documento está organizado de la siguiente manera: La

siguiente sección describe el marco de simulación subyacente con sus
simplificaciones y suposiciones asociadas. Luego se presentan los resultados de
una serie de modelos de línea de base preparatorios que identifican los valores
apropiados para los diversos parámetros libres. Las siguientes dos secciones
establecen cómo varían los resultados con la introducción de las diferencias de
capacidad basadas en el género o la discriminación. Luego, se investiga el efecto
de intervenciones sencillas de equilibrio de género y cómo pueden surgir
preferencias de profesión específicas de género. Finalmente, se exploran con más
detalle las consecuencias prácticas de las diversas desigualdades y estrategias de
intervención. El documento termina con algunas discusiones y conclusiones.

Supuestos subyacentes y marco de simulación

2.1.Hay un compromiso inevitable al decidir el mejor nivel de detalle para usar en
modelos basados en agentes. Por un lado, tiene sentido mantener los modelos tan
simples y abstractos como sea posible para observar patrones generales de
resultados con factores de confusión mínimos, pero por otro lado, existen ventajas
para validar modelos detallados utilizando todos los datos empíricos disponibles,
incluidos tantos potencialmente factores de confusión posibles ( Edmonds & Moss
2005)) El objetivo aquí es presentar un marco de modelado abstracto y general
que otros puedan luego emplear para simular aspectos específicos de interés para
ellos de manera más precisa mediante la incorporación de factores
adicionales. Una razón para esto es que hay una dificultad recurrente con los
datos empíricos reales en esta área, ya que a menudo se puede modelar
igualmente bien con suposiciones radicalmente diferentes sobre los problemas
subyacentes, y al hacer suposiciones particulares se abre el trabajo a un posible
sesgo que es importante para evitar. De hecho, uno de los objetivos clave de este
documento es mostrar cómo resultados similares pueden surgir de maneras
bastante diferentes, y cómo se pueden identificar señales particulares que reducen
los problemas subyacentes que están causando los resultados
observados. Además,Bullinaria 2009 , 2017 ). Entonces, este estudio comenzará
al establecer algunos principios básicos, y luego continuará explorando qué puede
emerger dentro de ese marco general.

2.2La idea subyacente es mantener poblaciones cambiantes de individuos, con

una gama de diferencias de capacidades específicas de género y preferencias de
profesión (ambas potencialmente involucrando componentes innatos y
culturalmente adquiridos), que compiten entre sí durante su vida para ser
promovidas a través del jerarquía de sus profesiones elegidas. Por lo tanto, con el
objetivo de evitar tantos sesgos innecesarios y factores de confusión como sea
posible, se adoptarán los siguientes supuestos de modelado:

1. Hay dos géneros distintos, que se determinan aleatoriamente al nacer con

la misma probabilidad.
2. En general, los dos géneros son igualmente capaces, pero pueden existir
diferentes distribuciones específicas de género de habilidades
individuales. Las diferencias podrían ser innatas, como resultado del
pasado evolutivo o culturalmente adquirido. En este documento, estas
distribuciones se fijarán para la duración de cada simulación, pero se les
puede permitir evolucionar en modelos futuros de la aparición de tales
diferencias de género.
3. Hay dos profesiones distintas, que en general son igualmente valiosas.
4. Las habilidades individuales iniciales relacionadas con cada profesión se
determinan aleatoriamente al ingresar a la simulación y siguen
distribuciones normales (gaussianas). Los medios y / o las desviaciones
estándar de esas distribuciones pueden depender del género, o pueden ser
independientes del género.
 5. Si un género tiene mejor capacidad en una profesión, el otro género tendrá
una capacidad igualmente mejor en el otro. El efecto del tipo y la magnitud
de tales diferencias es uno de los factores clave a explorar.
6. Puede existir una variedad de estrategias de elección de profesión. Cada
individuo puede elegir su profesión totalmente al azar, o de acuerdo con sus
capacidades, o tener alguna preferencia (o probabilidad) innata o
culturalmente adquirida basada en el género para elegir una profesión
sobre la otra. Se puede permitir que esas preferencias surjan durante el
curso de las simulaciones.
7. Durante cada simulación, los individuos inevitablemente envejecen,
potencialmente mejoran sus habilidades como resultado de la experiencia
en la profesión elegida, y eventualmente se jubilan y abandonan la
población trabajadora.
8. El desarrollo profesional involucra una serie de etapas, y (de manera
predeterminada) la promoción entre ellas se otorga a las personas más
capaces actualmente elegibles en cada etapa ( Rosenbaum 1979 ). La
discriminación y la intervención en ese proceso son factores clave que
deben explorarse.
9. Si un individuo no es promovido dentro de un número razonable de años
simulados, puede darse por vencido y abandonar su profesión o su
población activa. También es posible que porcentajes variables de
individuos abandonen su profesión o su población laboral por otros
motivos. Estos son detalles adicionales que deben ser explorados.
10. El tamaño de la población trabajadora se mantiene constante mediante la
sustitución de individuos jubilados por nuevos individuos jóvenes. El éxito
de los individuos jubilados en su profesión elegida puede influir en las
elecciones de profesión de los nuevos individuos.

2.3Estas suposiciones pueden parecer bastante restrictivas, pero resultan

adecuadas para los propósitos de este estudio inicial y simplifican la interpretación
de los resultados. Todavía hay un amplio margen para las variaciones dentro de
este marco básico, y de él puede derivarse una variedad suficiente de diferentes
resultados, dependiendo de la configuración relativa de los diversos parámetros
involucrados. También hay un amplio margen para diseñar variaciones que
prueben las consecuencias de estas simplificaciones iniciales y para que las
simulaciones sean más realistas.

2.4Todas las simulaciones seguirán procedimientos de modelado bastante

uniformes basados en agentes, con una población inicial aleatoria, actualizaciones
repetidas en el tiempo que incluyen oportunidades de promoción, y personas
retiradas que serán reemplazadas por nuevas personas. Para cada nuevo
individuo que ingresa a la población simulada, se crea un registro y se inicializa
con su género innato, edad inicial, habilidades de nivel inicial para las dos
profesiones, cualquier preferencia por las profesiones y su profesión elegida. A
partir de entonces, se actualiza regularmente con su edad actual, etapa en su
profesión, número de años desde que llegó a esa etapa, y cualquier habilidad
relacionada con la experiencia cambia. Después de actualizar la población durante
un número suficiente de años simulados, todos los promedios poblacionales
eventualmente se estabilizan y se pueden calcular los resultados
relevantes.Apéndice .

2.5El marco anterior ha sido diseñado para ser lo suficientemente general como
para poder simular "profesiones" y jerarquías asociadas de todo tipo. Por ejemplo,
con modificaciones adecuadas de los procesos de "promoción" podría usarse para
modelar los tipos de jerarquías de dominancia que se encuentran en muchas
especies animales ( Chase 1974 ; Hobson y DeDeo 2015 ). A menudo, las
sociedades animales solo implicarán un rol único que lo abarque todo, pero
algunas especies tienen claras divisiones de trabajo, como la provisión de
alimentos versus el cuidado y defensa de las crías en manadas de lobos ( Mech
1999).), y esos roles distintos podrían modelarse de la misma manera que las
profesiones más tradicionales. Sin embargo, este documento se concentrará en el
escenario particular que originalmente lo motivó, y solo considerará las
profesiones humanas abstractas, con tiempos de vida similares a los humanos y
otros parámetros.

2.6Para simplificar el análisis de resultados, se supondrá que todas las personas

ingresan a la profesión elegida a los 20 años y se jubilan a los 70 años, y que cada
profesión tiene 7 etapas, por lo que se requieren 6 promociones para alcanzar la
etapa más alta. Dependiendo de los objetivos del modelo, la etapa 1 podría
interpretarse como el grupo de solicitantes que desean unirse a la profesión, con
la etapa 2 el nivel más bajo dentro de la profesión, o la etapa 1 podría ser el nivel
más bajo dentro de la profesión. Luego, una frecuencia de actualización viable
para simulaciones razonablemente realistas de carreras de 50 años es una vez
por año simulado. Inicialmente se supondrá que solo hay un empleador para cada
profesión, por lo que no es necesario simular transferencias entre empleadores o
subgrupos de personas elegibles que se consideren en cada etapa de promoción,
ya que se sabe que esto sesga los resultados (Lyness y Judiesch 1999) El marco
general es deliberadamente lo suficientemente flexible como para permitir modelar
escenarios más realistas con más detalle en el futuro. Para valores razonables de
parámetros, un tamaño de población de 10,000 proporciona un número suficiente
de individuos por profesión por etapa y por género para permitir niveles realistas
de competencia en cada etapa, incluso cuando las distribuciones se vuelvan
sesgadas. Como solo las habilidades relativas afectan algo, la escala de habilidad
se mide en unidades arbitrarias, y eso se establece (sin pérdida de generalidad)
tomando la desviación estándar de las distribuciones gaussianas iniciales como
1.0 y midiendo todas las diferencias de habilidad con respecto a eso. Cuando se
trazan las habilidades, se les da una media conveniente de 8.0, pero las mismas
diferencias de habilidad emergerían para cualquier otro valor medio.

2.7¿Cuántos años simulados ejecutar cada simulación no es obvio? Los

desarrollos profesionales de la vida real rara vez han durado más de unos cientos
de años, y la mayoría son mucho más cortos que eso. Sin embargo, las
simulaciones normalmente deberán ejecutarse durante un número suficiente de
años simulados para que las poblaciones se establezcan en un estado final
estable que sea independiente de las condiciones iniciales que podrían
potencialmente generar sesgos involuntarios. Eso varía un poco con los diversos
valores de parámetros involucrados, y la comprobación de estabilidad y detención
de cada ejecución en un punto diferente introduce complicaciones innecesarias
que pueden evitarse simplemente ejecutando todas las simulaciones durante la
misma cantidad de años simulados que es considerablemente más de lo requerido
para alcanzar estabilidad incluso en las situaciones más
extremas. Además, algunas de las simulaciones involucran la evolución de rasgos
innatos que tiene lugar en escalas de tiempo mucho más largas que las de las
estructuras de carrera humanas. La longitud de ejecución real utilizada para
garantizar la estabilidad fue de 10.000 años simulados. En algunos casos, las
ejecuciones de longitud realista mucho más cortas terminarán en el mismo estado
estable, pero en otras, la ejecución de la misma longitud finalizará en un estado
que todavía está cambiando y sesgado por las condiciones iniciales. Cualquiera
de esos casos de ejecución más corta puede corresponder a lo que estamos
observando actualmente en poblaciones reales, pero para comparar los resultados
de manera justa es necesario estar seguros de que se ha alcanzado un estado
estable e imparcial. Naturalmente, ser más cuidadoso con las condiciones iniciales
y observar el proceso de estabilización en escalas de tiempo más realistas valdrá
la pena intentarlo en el futuro. La longitud de ejecución real utilizada para
garantizar la estabilidad fue de 10.000 años simulados. En algunos casos, las
ejecuciones de longitud realista mucho más cortas terminarán en el mismo estado
estable, pero en otras, la ejecución de la misma longitud finalizará en un estado
que todavía está cambiando y sesgado por las condiciones iniciales. Cualquiera
de esos casos de ejecución más corta puede corresponder a lo que estamos
observando actualmente en poblaciones reales, pero para comparar los resultados
de manera justa es necesario estar seguros de que se ha alcanzado un estado
estable e imparcial. Naturalmente, ser más cuidadoso con las condiciones iniciales
y observar el proceso de estabilización en escalas de tiempo más realistas valdrá
la pena intentarlo en el futuro. La longitud de ejecución real utilizada para
garantizar la estabilidad fue de 10.000 años simulados. En algunos casos, las
ejecuciones de longitud realista mucho más cortas terminarán en el mismo estado
estable, pero en otras, la ejecución de la misma longitud finalizará en un estado
que todavía está cambiando y sesgado por las condiciones iniciales. Cualquiera
de esos casos de ejecución más corta puede corresponder a lo que estamos
observando actualmente en poblaciones reales, pero para comparar los resultados
de manera justa es necesario estar seguros de que se ha alcanzado un estado
estable e imparcial. Naturalmente, ser más cuidadoso con las condiciones iniciales
y observar el proceso de estabilización en escalas de tiempo más realistas valdrá
la pena intentarlo en el futuro. pero en otros la misma duración finalizará en un
estado que todavía está cambiando y sesgado por las condiciones
iniciales. Cualquiera de esos casos de ejecución más corta puede corresponder a
lo que estamos observando actualmente en poblaciones reales, pero para
comparar los resultados de manera justa es necesario estar seguros de que se ha
alcanzado un estado estable e imparcial. Naturalmente, ser más cuidadoso con las
condiciones iniciales y observar el proceso de estabilización en escalas de tiempo
más realistas valdrá la pena intentarlo en el futuro. pero en otros la misma
duración finalizará en un estado que todavía está cambiando y sesgado por las
condiciones iniciales. Cualquiera de esos casos de ejecución más corta puede
corresponder a lo que estamos observando actualmente en poblaciones reales,
pero para comparar los resultados de manera justa es necesario estar seguros de
que se ha alcanzado un estado estable e imparcial. Naturalmente, ser más
cuidadoso con las condiciones iniciales y observar el proceso de estabilización en
escalas de tiempo más realistas valdrá la pena intentarlo en el futuro.

2.8 Laactualización de todas las edades individuales, la aplicación de incrementos

de capacidad y el reemplazo de las personas retiradas y eliminadas es
sencilla. Sin embargo, existen varios enfoques posibles para tratar las
promociones entre las etapas de cada profesión, por lo que se requieren más
especificaciones. La forma en que se forman generalmente las jerarquías de
dominancia o de dominio en las sociedades animales sigue siendo motivo de
debate y probablemente depende de la especie en cuestión ( Chase
1974 ; Hobson & DeDeo 2015).) Sin embargo, para los tipos de carreras humanas
de interés aquí, es razonable suponer que hay procesos de selección regulares
para determinar qué individuos se promueven en la jerarquía, y las degradaciones
son lo suficientemente raras que pueden ignorarse, al menos en las simulaciones
iniciales. . Una posibilidad obvia es mantener los números predefinidos en cada
etapa para que correspondan a las jerarquías de las empresas típicas ( Robison-
Cox et al., 2007 ). Un enfoque alternativo y más flexible, que se adopta aquí,
promueve una fracción x determinada de las personas elegibles en cada etapa de
cada profesión cada año. Luego, requiriendo un mínimo de años wtrabajar en
cada etapa antes de ser elegible para la promoción, hacer que los individuos
abandonen la promoción después de un cierto número de años g en una etapa, y
la fracción de promoción x misma, son factores que deberán especificarse para
coincidir con escenarios realistas particulares. Una implementación justa de las
promociones clasificaría a los N individuos elegibles en cada etapa de la profesión
de acuerdo con sus capacidades actuales, y promovería el máximo xN.de
ellos. Sin embargo, también es necesario que haya una discriminación directa en
los criterios de promoción, así como varios tipos de discriminación indirecta. Por
supuesto, el objetivo de los modelos es poder introducir versiones parametrizadas
de todas las diversas formas de diferencias de capacidades, discriminaciones e
intervenciones que podrían considerarse relevantes, de modo que sus
consecuencias emergentes puedan explorarse empíricamente.

2.9El resultado de cada simulación generalmente será la población final de

individuos, cada uno con un sexo, edad, preferencia de profesión, profesión,
habilidad en la profesión elegida y etapa de la profesión. Los principales factores
de interés serán generalmente las diversas diferencias en los medios de población
entre géneros, como por ejemplo cómo las preferencias de profesión y los
números en cada etapa de la profesión dependen del género ( Robison-Cox et al.,
2007).) Al observar el efecto de las diversas estrategias de intervención, puede ser
el rendimiento general de toda la población lo que es importante, en lugar de lo
que está sucediendo con los géneros particulares. En algunas situaciones, puede
que no sea la población final estable la que sea más interesante, sino los cambios
que ocurren en los valores de parámetros asociados, como las preferencias de
profesión, a lo largo de la simulación. En todos los casos, para obtener resultados
confiables, los promedios y las desviaciones estándar se calculan a partir de
treinta series independientes de cada simulación (utilizando diferentes semillas de
números aleatorios), con pruebas t no pareadas usadas para determinar los
significados estadísticos de cualquier diferencia encontrada.

2.10Las simulaciones por computadora propuestas aquí mostrarán los resultados

de los diversos escenarios estudiados, pero solo serán útiles en la práctica si
pueden vincularse a escenarios particulares de la vida real, al menos en el sentido
de alguna forma de aproximación de caso general. Ciertamente hay evidencia de
que existen desigualdades basadas en el género en las profesiones humanas
reales, y, en ausencia de pruebas claras de las diferencias de capacidad
subyacentes, se suele suponer que deben ser el resultado de algún tipo de
discriminación. Una ventaja clave de las simulaciones es que no están vinculadas
a las propiedades de las poblaciones reales, por lo que los efectos de las
diferencias de capacidad y discriminación se pueden separar y probar de forma
independiente, con magnitudes superiores a la vida real que hacen que los efectos
sean mucho más fáciles de observar . De ese modo,

Modelos y parámetros de línea de base

3.1El enfoque adoptado aquí es primero establecer algunos resultados de
referencia utilizando la configuración de simulación más simple posible, y luego
investigar sistemáticamente cómo las variaciones potenciales afectan esos
resultados. Tal enfoque secuencial también facilita la configuración de los diversos
valores de parámetros en cada etapa.

3.2El caso base no tiene diferencias de género, no aumenta la capacidad

relacionada con la experiencia y simplemente promueve a los individuos más
capaces en cada etapa, con una fracción igual de promoción x en cada etapa. El
número resultante de individuos en cada etapa de la profesión se muestra en
la Figura 1 , para cinco valores de x que van desde 0.01 a 0.05. Para muy
pequeña xvalores (0.01 y menos), ningún individuo llega a las etapas superiores,
lo cual es claramente irreal. Para valores altos (0.04 y superiores), hay más en la
etapa más alta que en algunas de las etapas inferiores, lo que podría
corresponder a la gran cantidad de profesores completos que se encuentran en
algunos departamentos académicos. Los valores de alrededor de 0.02 a 0.03
probablemente se acerquen más a las situaciones más realistas en la academia o
industria, donde hay una estructura piramidal con menos individuos a medida que
uno asciende en la jerarquía ( Robison-Cox et al., 2007 ; Rosenbaum 1979 ). Para
simular algunos escenarios de la vida real, diferentes fracciones de
promoción x s para cada etapa spodría ser necesario, y eso se puede incluir
fácilmente en los modelos, aunque, por simplicidad, lo siguiente continuará con un
único valor x para todas las etapas.

Figura 1 . Los resultados de referencia iniciales muestran el número de individuos

en estado estable final en cada etapa de la profesión y cómo eso varía a lo largo
de un rango de diferentes fracciones de promoción x .

3.3En la práctica, cuanto más tiempo ha pasado un individuo en una determinada

etapa de su profesión, mayor es la experiencia y la experiencia que es probable
que haya adquirido, y es más probable que se le promueva. Una forma de modelar
eso sería aumentar la capacidad global con el tiempo en cada etapa, aunque esto
se complica por el hecho de que en realidad es más probable que las personas
más capaces puedan aumentar su capacidad más rápidamente que otras, y
menos las personas capaces nunca podrán llegar a un estándar
promotorable. Todo esto podría implementarse, por supuesto, pero otro enfoque
razonable y más directo, que se adoptará aquí, es simplemente requerir que todas
las personas pasen un cierto número mínimo de años en cada etapa para adquirir
suficiente experiencia adicional para ser elegibles para la promoción . Eso es más
fácil de modelar,x de personas elegibles para ser promovidas cada año para
completar las etapas superiores. Para una fracción de promoción x de 0.06, el
efecto de variar el número de años w esperando la elegibilidad de 0 a 8 se
muestra en la Figura 2 . Durante 0 años, esa fracción de promoción es demasiado
alta, como se ve en la Figura 1 . Espera w de alrededor de 6 o 7 años son
probablemente típico de muchas profesiones y llevar al tipo de distribución
piramidal de las personas a través de las etapas conocidas en muchas
organizaciones.

Figura 2 . Número de personas en cada etapa de la profesión para la fracción de

promoción x = 0.06 para diferentes números mínimos de años w esperando en
cada etapa antes de ser elegibles para la promoción.

3.4Una variación relacionada modela el hecho de que algunas personas

simplemente no son lo suficientemente buenas como para llegar muy lejos en su
profesión elegida, y renunciar y abandonar es probablemente una estrategia
sensata para ellas, particularmente si la etapa 1 se interpreta como el grupo de
solicitantes. que el nivel de entrada de la profesión. En realidad, lo que realmente
sucede dependerá de la profesión en cuestión, y dejarlo por esta razón es
probable que sea más común en las etapas inferiores, que en las etapas
superiores, pero el efecto se puede aproximar simplemente renunciando y dejando
la profesión. si alguna promoción no se logra dentro de un cierto número de
años g después de ser elegible. En la práctica, habrá diferencias individuales en
este asunto, por lo que una distribución de glos valores serían más apropiados
que un único valor fijo, y dichas distribuciones también podrían depender de la
etapa de género y de la profesión. Esas complicaciones podrían simularse
fácilmente, pero, para simplificar el análisis, se dejarán para estudios futuros, y se
usará un único valor fijo para g aquí. En ese caso, se necesita una espera un poco
más corta w para tener suficientes números elegibles para la promoción en cada
etapa. Luego, con una fracción de promoción de 0.06 y un período de espera de 4
años para la elegibilidad, el efecto de variar la cantidad de años g antes de
abandonar de 4 a 32 se muestra en la Figura 3. Durante los 32 años tolerantes,
hay poca diferencia entre nunca darse por vencido. Durante menos años,
inevitablemente hay más abandonos y los números en las etapas posteriores caen
más bruscamente, y dado que hay un número total fijo de individuos en la
profesión, eso significa más en la etapa 1.

Figura 3 . Número de personas en cada etapa de la profesión para la fracción de

promoción x = 0.06 y espera w = 4 para diferentes números de años g sin una
promoción antes de renunciar y marcharse.

3.5Hay claramente más detalles que podrían ser modelados, pero habiendo
establecido cómo los tres parámetros principales de promoción ( x, w, g) afectan la
distribución a través de las etapas, las exploraciones del efecto de las diferencias
de género ahora pueden comenzar. Obviamente, los diversos parámetros deberán
establecerse en diferentes valores apropiados dependiendo de las profesiones en
cuestión, e incluso entonces solo podrán ofrecer una representación aproximada
de escenarios de la vida real. A los efectos de exhibir las tendencias generales
que normalmente podrían surgir, un conjunto de valores típicos será
suficiente. Además, los valores reales de los parámetros elegidos tienden a ser
menos importantes para los patrones cualitativos de los resultados de simulación
que la distribución de individuos a través de las etapas a las que conducen,
aunque los valores precisos serán cruciales si más realismo requiere que haya
diferencias de género en ellos. Las simulaciones de referencia indican que una
fracción de promoción x= 0.06, una espera de elegibilidad w = 4 años, y una
espera antes de renunciar a g = 12 años, proporciona un punto de partida
razonablemente realista para las próximas simulaciones. La variación de esos
valores clave en pequeñas cantidades cambiará los resultados detallados, pero los
patrones emergentes generales no se verán afectados.

Diferencias de capacidad basadas en el género

4.1Obviamente, para explorar el efecto de las diferencias de capacidades basadas
en el género, esas diferencias deben incorporarse primero en los modelos, y luego
las distribuciones de etapas resultantes separadas deben ser calculadas para los
dos géneros (Gen0 y Gen1). Como se señaló anteriormente, no hay disputa de
que los diferentes géneros de muchas especies, incluidos los humanos, tienen
diferentes niveles de habilidad para algunas tareas. Sin embargo, para las
habilidades intelectuales que subyacen a muchas carreras en la industria o la
academia, las diferencias de capacidad son más controvertidas ( Benbow
1988 , Else-Quest et al., 2010 , Geary 1998 , Halpern 2012 , Halpern y otros
2007 ; Spelke 2005) Sin embargo, es posible evitar hacer suposiciones
controvertidas sobre ellos al mantener los modelos adecuadamente abstractos, y
tratar de usar sus resultados para establecer qué tan bien podrían corresponder a
escenarios particulares de la vida real. En esta etapa, no es necesario especificar
si las diferencias de capacidad son innatas, resultantes de la evolución por
selección natural o culturalmente adquiridas, como por medio de estereotipos en
sistemas educativos sesgados ( Lane et al., 2012 ; Van der Heyden et al.,
2016).) Más simulaciones podrían ayudar a desenredar esa distinción, pero eso es
algo más que quedará para el trabajo futuro. Un punto de partida conveniente, con
diferencias fácilmente observables, tiene los niveles medios de habilidad
asociados con una profesión particular que difieren en una desviación estándar
(Dif 1) entre sexos, y lo compara con el caso base anterior que tiene cero
diferencia de género (Dif 0).
4.2Figura 4muestra lo que sucede dentro de una profesión en particular para el
caso más simple en el que cada individuo elige una de las dos profesiones
totalmente al azar, independientemente de su capacidad o género. Naturalmente,
no hay una diferencia de género significativa en el caso de diferencia de habilidad
cero (Dif 0). Cuando hay una diferencia (Dif 1), el género más capaz (Gen0) para
la profesión dada no sorprendentemente tiene más individuos en las etapas más
altas y menos atrapados en la etapa inicial. La mayor tendencia asociada a que el
género menos capaz abandone la espera de promoción y abandono también da
lugar a diferencias en el número total de cada sexo que participa en la
profesión. Para esta profesión en el caso de Dif 1, hay 2746 (estándar de 39) de
Gen0 más capaz y solo 2276 (estándar de 40) de Gen1, lo cual es una diferencia
significativa (prueba t, p <10 -46 ). Para Dif 0, hay 2511 (desarrollo estándar 54) de
Gen0 y 2496 (desarrollo estándar 46) de Gen1, sin diferencias significativas
( prueba t, p = 0,26).

Figura 4 . Número de individuos en cada etapa de una profesión para x =

0.06, w = 4 yg = 12 para cada género (Gen0, Gen1) sin diferencia de habilidad (Dif
0) y un estándar. dev. diferencia (Dif 1).
4.3Si todas las personas permanecieran en su profesión elegida al azar hasta la
jubilación, incluso si se estancaran en un nivel bajo, claramente no habría
diferencias significativas en el número total de cada género en cada profesión,
incluso en el caso de género. diferencias de habilidad, con 5004 (desarrollo
estándar 50) versus 4996 (desarrollo estándar 50) yt prueba p = 0,57. Esto lleva a
la distribución ligeramente diferente a través de las etapas que se muestran en
la Figura 5 , con mayores proporciones del género más débil en las etapas
inferiores, pero el patrón general de las diferencias de género sigue siendo el
mismo. Puede ser más apropiado considerar la etapa 1 como el grupo de
solicitantes, y solo la etapa 2 y superior como dentro de la profesión, y es notorio
que las etapas 2 a 7 en la Figura 5se parecen mucho a las etapas 1 a 7 en
la Figura 4 . En ese caso, las diferencias de capacidad basadas en el género
nuevamente conducen a diferencias de género en los números de cada profesión:
para el caso Dif 1, hay 1982 (desarrollo estándar 51) de Gen0 más capaz y solo
1395 (desarrollo estándar). 33) de Gen1, que es una diferencia significativa
( prueba t, p <10 -44 ). Dado que hay resultados similares para los casos de
abandono y no renuncia, solo se persigue el caso de abandono de la figura 4 para
el resto de este documento, y para ayudar en las comparaciones, se utilizarán los
mismos valores de parámetro clave en todo (es decir, x = 0.06, w = 4, g = 12),
pero debe tenerse en cuenta que existen variaciones que pueden tener diferencias
sutiles en el resultado y la interpretación.
Figura 5 . Número de personas en cada etapa de una profesión para la misma
configuración que en la Figura 4 , pero con x = 0.06, w = 7 y no abandonando la
profesión elegida si la promoción no se realiza (es decir, g = ∞).

4.4En realidad, muy pocas personas elegirán su profesión de forma totalmente

aleatoria. Por el contrario, tenderán a elegir una profesión de acuerdo con sus
capacidades, y cuando el caso extremo de simplemente elegir la profesión que
mejor se adapte a sus capacidades se incorpore a los modelos, el resultado
cambia un tanto al mostrado en la Figura 6 . De nuevo, no existe una diferencia de
género significativa para el caso Dif 0 ( prueba t, p = 0,47), pero para Dif 1 hay
una reducción estadísticamente significativa ( prueba t, p <10 -84 ) aún mayor en el
número de individuos Gen1 que eligen la profesión, 1114 (desarrollo estándar 44)
en comparación con 3893 (desarrollo estándar 52) para Gen0. Figura 7compara
los resultados del Dif 1 para la elección aleatoria de la profesión (rand) y la
elección de la mejor profesión basada en la capacidad (mejor), como porcentajes
de la población total de cada género en cada etapa de la profesión. La elección de
profesión basada en la capacidad acerca las distribuciones de género, pero el
Gen1 menos capaz aún tiene números muy reducidos en las etapas más altas en
comparación con Gen0.
Figura 6 . Número de personas en cada etapa de una profesión para la misma
configuración que en la Figura 4 , pero con cada individuo que persigue la
profesión en la que es mejor, en lugar de elegir una al azar.
Figura 7 . Los resultados Dif 1 de las Figuras 4 y 6 como porcentajes de la
población total de cada género, para la elección aleatoria de profesión (rand) y la
elección de la mejor profesión basada en la capacidad (mejor).

4.5Otra forma informativa de presentar los resultados de la simulación es en

términos de los porcentajes de cada género en cada etapa dentro de una
profesión en particular. Como estos porcentajes siempre suman 100%, es
suficiente mostrar los resultados para un solo género (Gen1). Estos se muestran
en la Figura 8para los casos de elección aleatoria y de mejor profesión. Cuando no
hay diferencia de género (Dif 0), el porcentaje de Gen1 en cada etapa no es
significativamente diferente del 50%. Para Dif 1 con elección de profesión al azar,
la proporción en la etapa 1 es ligeramente superior al 50% (debido a individuos
más débiles que esperan allí una promoción que nunca llega) y luego cae para
etapas posteriores. Cuando la mejor profesión es elegida por cada individuo, hay
un punto de partida más bajo y una caída más lenta en etapas posteriores, pero
los números siguen siendo más bajos en todas las etapas en comparación con el
caso de elección aleatoria. Por lo tanto, una diferencia de habilidad basada en el
género resulta en porcentajes diferenciales que aumentan con la etapa incluso
cuando la autoselección conduce a una participación reducida del género menos
capaz. Este tipo de patrón, conocido como una tubería de contracción, se sabe
que existe en poblaciones reales (Camp 1997 ; Gürer & Camp 2001 ; Walker &
Rodger 1996 ), pero no necesariamente por la misma razón ( Allen-Hermanson
2017 ; Bennett 2011 ; Blickenstaff 2005 ), y también hay evidencia de las recientes
mejoras en este sentido ( Miller & Wai 2015 ; . Schreuders y otros, 2009 ).

Figura 8 . Resultados de las Figuras 4 y 6 como porcentaje del género Gen1 en

cada etapa de una profesión, con y sin diferencias de habilidad (Dif 1, Dif 0), para
la elección aleatoria de la profesión (rand) y elección basada en la capacidad de la
mejor profesión (mejor) .

4.6Una de las ventajas de las simulaciones por computadora es que las diversas
causas potenciales de las diferencias en el ducto pueden explorarse sin todos los
factores de confusión inherentes a las poblaciones reales, de modo que las
señales pueden identificarse en los resultados que podrían permitirnos distinguir
entre las causas potenciales. Por ejemplo, las tuberías que se encogen también
pueden surgir incluso cuando no hay diferencia en las capacidades medias de los
dos géneros. Si la varianza en las habilidades para un género es menor que la del
otro, como parece ser el caso para algunas habilidades humanas ( Humphreys
1988 , Wai et al., 2010 ), eso puede dar al género de mayor varianza una ventaja
en la promoción posterior etapas, incluso si los medios son los mismos para cada
género. Figura 9muestra el efecto de Gen1 con la misma capacidad media pero
solo la mitad de la varianza de la habilidad de Gen0, tanto para la mejor elección
como para la profesión. La clara diferencia entre las tuberías de contracción
observadas en las Figuras 8 y 9 constituye una señal que puede buscarse en
tuberías reales, y que luego puede utilizarse para proporcionar información sobre
las causas subyacentes. Sin embargo, esto puede no ser totalmente sencillo en la
práctica, ya que será necesario tener cuidado para mapear con precisión las
etapas de simulación a etapas reales, y las habilidades de las poblaciones reales
podrían involucrar varias combinaciones de diferencias medias y de varianza que
dejen las señales menos definidas y definidas. más difícil de observar

Figura 9 . Porcentaje de género Gen1 en cada etapa de una profesión, para la

varianza de la capacidad igual (Var 1) y la mitad (Var 0.5), para la elección
aleatoria de la profesión (rand) y la mejor opción para elegir la mejor profesión
(mejor).
4.7Ya está claro que hay muchos tipos potenciales de diferencias de género en la
capacidad, tanto innatas como adquiridas culturalmente, que podrían explicar las
distribuciones desiguales de género observadas en las profesiones reales. Desde
el punto de vista del modelado, queda margen para agregar realismo adicional
reemplazando las simples distribuciones gaussianas de habilidades usadas hasta
ahora con algo más preciso, pero determinar exactamente cuáles deberían ser
esas distribuciones mejoradas probablemente no sea fácil ( Benbow
1988 ; Halpern et al. al. 2007 ; Spelke 2005 ; Wai et al., 2010), y su uso es poco
probable que cambie el amplio patrón de resultados de todos modos. Por
supuesto, la cuestión importante aquí es que las desigualdades de género
observadas también pueden ocurrir cuando no hay diferencias de capacidad en
absoluto, y eso es lo que se investigará a continuación.

Discriminación basada en género

5.1Probablemente la cuestión de mayor importancia práctica aquí es si pueden
surgir patrones similares de desigualdades de género cuando, en lugar de existir
diferencias de capacidad, existe discriminación contra un género en
particular. Dado el rango de posibilidades, claramente no será factible estudiar en
detalle todos los posibles tipos de discriminación aquí, pero, desde el punto de
vista del modelado, en realidad no hay necesidad de considerar los detalles
precisos ni las razones subyacentes para ellos. . El amplio patrón de resultados
que podría surgir en el marco de modelado propuesto puede demostrarse
considerando un caso simple que tiene todos los detalles resumidos.

5.2El componente crucial de los modelos es la promoción entre etapas de la

profesión, por lo que la forma natural de proceder es suponer que cualquier
individuo de un género discriminado tiene que ser muy superior a cualquier rival
del otro género antes de ser promovido en lugar de ellos . Esto podría, por
ejemplo, surgen en la práctica como resultado de la aplicación de diferentes (y
posiblemente incorrectos) percibida probabilidades a priori de las capacidades de
los dos sexos en conjunto con las pruebas reales presentados con las solicitudes
de promoción de dados ( Heilman 1995 ; Takács y Squazzoni 2015 ) La
discriminación también puede ser indirecta, en lugar de directa, por ejemplo
porque es menos probable que un género sea galardonado con prestigiosas
conferencias o premios invitados ( Gürer & Camp 2001).), o porque los criterios de
promoción están sesgados a favor de un género ( Ginther & Hayes 2003 ; Mixon &
Trevino 2005 ; Schneider 1998 ; Williams & Ceci 2015).) Para permitir las
comparaciones más claras posibles con las simulaciones de diferencias de
habilidad, la magnitud del efecto debe establecerse para que sea la misma. Por lo
tanto, las simulaciones de línea de base anteriores se volvieron a ejecutar con
cada individuo Gen1 promocionado únicamente con preferencia a un individuo
Gen0 dado en la profesión de interés si su capacidad es al menos una desviación
estándar más alta. La simetría existente entre géneros se mantiene fácilmente en
los modelos teniendo la discriminación en la dirección opuesta para la otra
profesión. Entonces, dado que esta diferencia de capacidad efectiva actúa
exactamente de la misma manera en los modelos que una diferencia de habilidad
real, exactamente las mismas distribuciones de etapa surgen como se ve en las
Figuras 4 y 5 para los modelos de diferencia de habilidad.

5.3Aunque los números en cada etapa son exactamente los mismos, una
diferencia importante entre los casos de discriminación y diferencia de capacidad
está en las habilidades promedio en cada etapa. Un patrón similar surge tanto
para la elección de profesión al azar como para la elección basada en la habilidad,
aunque la elección de acuerdo con la habilidad no conduce sorprendentemente a
mejores niveles de habilidad en todas partes. Figura 10muestra las comparaciones
cruciales de capacidad promedio para la elección de profesión basada en
habilidades. El caso base (Base) obviamente no tiene ningún efecto de género. En
el caso de diferencia de habilidad (Dif), la capacidad del Gen1 más débil es menor
que Gen0 en la etapa inicial 1, pero las promociones basadas en la habilidad
conducen a niveles de capacidad mucho más cercanos en las etapas posteriores,
con ambos por debajo del nivel de referencia. En el caso de discriminación
(Disco), las habilidades Gen0 se reducen en la misma medida que en el caso Dif,
porque la competencia reducida de individuos Gen1 permite que se promuevan
individuos Gen0 más débiles, mientras que las habilidades Gen1 son mucho más
altas, debido a la extra habilidad requerida para lograr la promoción. Dichos
niveles más altos de capacidad para un género subrepresentado es otra señal
informativa para buscar en poblaciones reales. De hecho, similar,Lyness y
Heilman 2006 ). Eso, por supuesto, no implica que necesariamente haya
discriminación basada en el género o techos de vidrio en otros casos también,
pero ciertamente hay evidencia consistente con la existente en otros lugares
( Sabatier 2010 ).
Figura 10 . Niveles de capacidad promedio en cada etapa de una profesión para
cada género (Gen0, Gen1) en los casos de línea base (base), diferencia de
capacidad (Dif) y discriminación (disco), con la elección de la mejor profesión
basada en la capacidad.

5.4Las Figuras 8 , 9 y 10 demuestran cómo surgen patrones de tuberías bastante

diferentes según la situación que se modele. Estos son solo los casos "puros", con
diferencias bastante grandes (una desviación estándar). En la práctica, es
probable que exista más de una forma de discriminación o diferencia de capacidad
presente, con magnitudes variables, y desenredar los diversos factores será más
desafiante. Aquí es donde es probable que el enfoque de modelado presentado
aquí resulte más útil, ya que permite simular todas las posibles combinaciones y
variaciones de forma relativamente fácil y confiable, con las interacciones
inevitables acomodadas automáticamente.

Políticas de intervención
6.1Las desigualdades de género que se encuentran en los números que ingresan
en algunas profesiones, y los oleoductos contraídos asociados, se destacan
regularmente como temas importantes que deben abordarse. Además de la
injusticia natural de cualquier discriminación presente, puede haber importantes
consecuencias prácticas para la sociedad en general. Por ejemplo, la notable falta
de mujeres en ciertas etapas superiores de la academia puede desalentar a las
mujeres de estudiar esos temas, y eso puede conducir a una escasez crítica de
trabajadores calificados en áreas relacionadas ( Camp 1997 ), o la falta de
diversidad puede empeorar el rendimiento del equipo ( Handelsman y otros,
2005 ; Herring, 2009 ).

6.2 Lamejor forma de abordar estas desigualdades de género, o manejar otros

problemas de diversidad, no está clara ( Shen et al., 2009 ). La intervención más
directa sería simplemente asegurarse de que los números de cada género en
cada etapa de cada profesión sean lo más iguales posible. El uso de
listas cortas solo para mujeres en la política británica es un ejemplo controvertido
de intentar hacer eso ( Lovenduski & Norris 1989).) Si bien este puede no ser el
mejor enfoque en la práctica, investigar lo que sucede en este caso extremo
proporcionará límites útiles sobre lo que podría suceder con intervenciones más
sutiles. También se puede implementar fácilmente clasificando a las personas
elegibles de cada género por separado, y promoviendo números iguales de cada
sexo hasta la siguiente etapa para dar el número total de promociones requeridas
en general. Hacer eso en el marco de modelado anterior previene
automáticamente cualquier diferencia numérica significativa entre la línea base, la
diferencia de habilidad basada en el género y los casos de discriminación basados
en el género.

6.3Igualar los números de cada género en cada etapa obviamente tendrá

consecuencias para los niveles de habilidad asociados. La intervención no tendrá
ningún efecto en los promedios de referencia, porque los números ya eran
iguales. Para el caso de discriminación, la intervención corrige el desequilibrio de
género allí y vuelve a alinear todos los niveles de capacidad con la línea de
base. En el caso de diferencia de habilidad, promocionar a las personas menos
capacitadas Gen1 cuando no lo merecen les lleva a tener niveles de capacidad
inferiores a la línea de base en las etapas posteriores, pero las personas Gen0 ya
no son promovidas con habilidades inferiores a la línea de base, por lo que traído
de nuevo en línea con la línea de base.

6.4Una cuestión práctica importante para cualquier profesión se refiere a las

capacidades promedio generales de los individuos en cada etapa del mismo,
independientemente de su género. Los resultados relevantes de la simulación se
muestran en la Figura 11. Los resultados de referencia (base) y línea de base con
intervención (Int base) son idénticos, ya que no hay desequilibrio de género para
que la intervención lo corrija, y estos exhiben las mejores habilidades promedio en
general. El caso de discriminación (Disc) tiene peores habilidades, particularmente
en las etapas posteriores, porque injustamente permite que personas Gen0 más
débiles sean promovidas a expensas de individuos Gen1 más capaces. La
intervención en este caso (Disc Int) alinea todas las habilidades con la línea de
base, porque el desequilibrio basado en la discriminación se corrige con éxito y,
una vez más, se promueven las mejores personas en cada etapa. El caso de
diferencia de habilidad (Dif) es en general peor que los casos de referencia y de
discriminación, porque eso corresponde a individuos Gen1 que tienen habilidades
más bajas que el caso base, que inevitablemente reduce los promedios de la
población. Sin embargo, esto debe interpretarse con cuidado, porque si la
diferencia de género tomara la forma de habilidades mejoradas para Gen0 sobre
la línea base, en lugar de habilidades reducidas para Gen1, eso llevaría a mejores
promedios de población sobre el caso base. La pregunta crucial es ¿qué sucede si
se aplica la intervención en un caso como este donde no existe discriminación? La
respuesta es clara de La pregunta crucial es ¿qué sucede si se aplica la
intervención en un caso como este donde no existe discriminación? La respuesta
es clara de La pregunta crucial es ¿qué sucede si se aplica la intervención en un
caso como este donde no existe discriminación? La respuesta es clara deFigura
11 : el rendimiento general de la población en este caso (Dif Int) se empeora,
especialmente en las etapas superiores, principalmente como resultado de forzar
la promoción de individuos Gen1 a expensas de individuos Gen0 más
capaces. Esto resalta la importancia práctica de comprender los problemas antes
de tratar de corregirlos.
Figura 11 . Habilidades globales promedio en cada etapa de la profesión para las
poblaciones de referencia (base), diferencia de capacidad (Dif) y discriminación
(disco), con promociones y promociones estándar basadas en habilidades con
intervenciones de equilibrio de género (Int). Los resultados Base, Base Int y Disc
Int son idénticos.

Preferencias para Profesiones

7.1Una característica de la vida real que falta en los modelos presentados hasta
ahora es el efecto de la profesión personal o las elecciones de carrera basadas en
las preferencias específicas de género subyacentes para profesiones particulares
( Lent et al., 1994 ; Schreuders et al., 2009 ; Wang & Degol, 2014 ). . Las
preferencias de este tipo podrían surgir como una estrategia sensata si se sabe o
se cree que las diferencias de capacidad basadas en el género y / o las prácticas
discriminatorias generalizadas afectan el éxito en las profesiones disponibles,
aunque también pueden ser impulsadas por una variedad de otras fuerzas
( Cheryan et al. 2017 ; Lent et al., 1994 ; Master et al., 2016 ; Perez-Felkner et al.,
2017 ; Su et al., 2009; Wang y Degol 2014 ). Se pueden incorporar fácilmente en
los modelos anteriores como factores adicionales que pueden variar durante el
transcurso de las simulaciones.

7.2Todos los modelos presentados hasta ahora se ejecutaron durante suficientes

años simulados para permitir el tiempo suficiente para que las diversas
distribuciones de población se estabilicen, pero ninguna de las distribuciones de
capacidad o preferencia se permitió evolucionar o cambiar de otra manera de una
generación a otra. Sin embargo, subyacente al marco de modelado general
propuesto aquí es un enfoque de cálculo evolutivo de estado estacionario bastante
estándar adecuado para simular todos los aspectos de la evolución del ciclo de
vida ( Bullinaria 2009 , 2017 ). Hasta ahora, todas las formas de evolución y
aprendizaje han sido "desactivadas", pero pueden volver a activarse fácilmente si
es necesario para permitir que los detalles relevantes evolucionen por selección
natural ( Bullinaria 2009 ) o se propaguen por aprendizaje social (Bullinaria
2017 ). Para algunas especies de animales reales, factores como las habilidades
específicas de género y las preferencias de profesión (en forma de habilidades
diferentes y tasas de adopción para tareas relevantes tales como cuidado de los
hijos, defensa y aprovisionamiento de alimentos) se han codificado genéticamente
a través del curso de muchas generaciones, y han coevolucionado, conduciendo a
roles distintos para cada género (p. ej., Mech 1999 ). En tales casos, es poco
probable que intentar hacer cumplir la igualdad de género en todos esos roles sea
una idea sensata. Otras especies, en particular los seres humanos, han
desarrollado la capacidad de transmitir información relevante, como las
preferencias de la profesión, de forma mimética a través de diversas formas de
aprendizaje o imitación social dirigida por el rendimiento ( Bullinaria 2017), y los
intentos de modificar las preferencias en esos casos pueden ser más
apropiados. Modelar vidas completas durante muchas generaciones, y la
coevolución de las diferencias de habilidades basadas en el género, el aprendizaje
social y las preferencias de roles en varias especies, incluidos los humanos, sin
duda sería un ejercicio interesante para modelar la evolución de la historia de la
vida ( Bullinaria 2017 ; Geary 1998 ; Kenrick y Luce 2000 ; Wood y Eagly 2002 ),
pero eso no se intentará aquí. Desde un punto de vista práctico, eso no es tan
importante para los propósitos de las carreras humanas modernas como modelar
las preferencias de la profesión que uno aún puede esperar cambiar dentro de
escalas de tiempo razonables, asumiendo que tales cambios pueden ser
beneficiosos.

7.3Claramente, hay muchas formas diferentes que las preferencias de carrera

podrían tomar, pero una que es independiente de las habilidades de los individuos
relevantes, y una que actúa para sesgar sus elecciones de profesión basadas en
habilidades, debería ser suficiente para ilustrar qué tipos de resultados pueden
surgir y cómo ellos dependen del tipo de preferencia. Luego, también se debe
explorar la distinción entre las preferencias desarrolladas y las aprendidas, junto
con las diferencias en las escalas de tiempo asociadas con los cambios relevantes
en cada caso. Para la mayoría de las profesiones humanas actuales, las
preferencias específicas de género casi seguro se aprenden en lugar de ser
innatas ( Betz y Hackett 1981 ; Scherer et al.1990), pero aún puede haber
diferencias de habilidades innatas que sobrevivan de nuestro pasado evolutivo y
que puedan afectar nuestras preferencias ( Halpern 2012 , Kimura 2000 , Spelke
2005 ). Además, incluso cuando no existen diferencias innatas de habilidades, la
influencia de las preferencias y los estereotipos en la educación de los niños
puede generar diferencias de habilidades en los adultos, lo que puede reforzar las
preferencias y los estereotipos ( Cheryan et al., 2017 ; Lane et al., 2012). ; Master
et al., 2016 ; Van der Heyden et al., 2016 ). Identificar dichos ciclos y enfoques
para mejorar los resultados es uno de los objetivos clave del enfoque de
simulación general propuesto en este documento.

Preferencias de capacidad independiente

7.4El efecto de la forma más simple de preferencias puede modelarse haciendo
que los individuos elijan sus profesiones de forma estocástica, en lugar de según
sus capacidades, pero con probabilidades particulares. Esto se puede hacer
introduciendo un parámetro de preferencia específico de género p en el marco
anterior, de modo que cada individuo ingrese una profesión con probabilidad p , u
otra con probabilidad 1 p . El caso de p = 0.5 corresponde a la elección de
profesión totalmente aleatoria que se probó en los modelos ya presentados. Hay
muchas formas ppueden surgir valores diferentes de 0.5, pero la idea general es
que la baja aceptación de profesiones particulares surgiría como una reacción
sensible al pobre progreso esperado en esa profesión, como lo indica el
desempeño de los miembros del género dado en generaciones anteriores. Esas
expectativas podrían tomar muchas formas, tales como capacidades percibidas
pobres en materias subyacentes básicas como las matemáticas ( Perez-Felkner y
otros, 2017 ), pero las simulaciones no requieren que se especifiquen tales
detalles. Las simulaciones comenzarían con toda la población inicial teniendo las
mismas preferencias para las dos profesiones, y luego los individuos en
generaciones posteriores tendrían preferencias innatas que evolucionarían
lentamente por la selección natural de padres exitosos ( Bullinaria 2017), o
preferencias aprendidas que se adquieren mediante alguna forma de observación
directa o interacción social con otras personas ( Riegle-Crumb & Morton 2017 ). La
velocidad a la que emergen las preferencias fuertes dependerá de los detalles de
qué impulsa las preferencias, pero los patrones generales de resultados son
similares. Existe una enorme variedad de tales modelos que podrían
implementarse, pero, para demostrar lo que típicamente emerge, las siguientes
subsecciones solo presentarán una simulación evolutiva y una simulación de
aprendizaje social.

Preferencias evolucionadas
7.5 Laevolución por selección natural se puede modelar de manera fácil y
razonablemente realista aquí utilizando técnicas de cálculo evolutivo estándar
( Engelbrecht 2007) Se descubrió que los detalles afectan la velocidad de la
evolución, pero tienen poco efecto en los resultados finales. En primer lugar, se
utiliza un enfoque de torneo simple para seleccionar un padre de cada género al
tener compiten al azar pares de individuos y elegir el más exitoso. Esto se puede
implementar convenientemente en el marco actual seleccionando a los padres de
las personas más recientemente removidas de la población y midiendo su éxito
como la etapa más alta que alcanzaron en su carrera. Luego, el genotipo de cada
nuevo miembro de la población se genera a partir de los genotipos de sus padres
(es decir, un conjunto de parámetros evolutivos) usando operadores adecuados de
cruce y mutación. Para las probabilidades de preferencia, el enfoque más simple
es hacer que cada nuevo individuo herede el valor correspondiente de su padre
del mismo género, con una "mutación" aleatoria agregada de un rango pequeño
como [-0.02, 0.02]. La presión de selección, junto con las pequeñas mutaciones
aleatorias, es suficiente para permitir que las preferencias se desvíen de los
valores simétricos de 0.5 en los casos en que surja una ventaja de posición final al
hacerlo. La velocidad de los cambios de preferencia puede incrementarse
comenzando desde una población inicial más diversa, o tomando las mutaciones
de un rango mayor, o seleccionando padres de más de dos individuos
reemplazados, pero eso no cambia el patrón general de resultados.

7.6Hay 18 casos distintos que deben considerarse, cada uno con una de tres
condiciones básicas (línea base, diferencia de capacidad basada en el género y
discriminación basada en el género), uno de los tres enfoques de elección de
profesión (por mejor capacidad, puramente aleatorio y aleatorio con preferencias
emergentes), y ya sea que impliquen o no, intervención para igualar los números
de cada género en cada etapa. Claramente, todos los casos de referencia, todos
los casos de elección de profesión pura y aleatoria, y todos los casos de
intervención, llevarán a promedios de preferencia que permanecen en 0.5 porque
no hay nada que aleje la selección natural de esa situación simétrica. Todos esos
casos se ejecutaron de todos modos, para proporcionar un control de que no
existían sesgos inesperados en las simulaciones. Si no hay intervención,Figura
12 . Esto proporciona una explicación simple para las diversas diferencias de
género observadas en la adopción de roles específicos por muchas especies
animales, aunque en la práctica las diferencias de capacidad habrán evolucionado
conjuntamente con las preferencias.
Figura 12 . Evolución de las probabilidades promedio de preferencia de profesión
independiente de habilidad. El caso base permanece cerca de 0.5 para ambos
sexos en ambas profesiones, mientras que los casos Dif y Disc sin intervención se
acomodan idénticamente a los valores altos apropiados (para Gen0 en Prof1 o
Gen1 en Prof2) y bajos (para Gen0 en Prof2 o Gen1 en Prof1 ) Los anchos de
línea representan la varianza.

Preferencias socialmente aprendidas

7.7Para las preferencias de la carrera humana moderna, es más probable que
surjan de alguna forma de aprendizaje social, en lugar de la evolución de las
preferencias innatas ( Riegle-Crumb & Morton 2017) ¿Qué es exactamente
"aprendido" y cómo los mapas en las preferencias generalmente dependerá de las
profesiones específicas en cuestión, pero, independientemente de esos detalles,
parece probable que las diferencias de éxito repetidas entre los géneros en una
profesión determinada poco a poco conducir las preferencias lejos de 0,5 . Hay
muchas maneras en que esto podría funcionar en la práctica, pero una versión
simple, que probablemente no está muy lejos de la realidad en muchos casos,
cada individuo nuevo comienza con la preferencia de un padre u otra persona
específica (que se puede tomar convenientemente en las simulaciones ser el
último individuo eliminado), y luego ajustar eso en una pequeña cantidad en línea
con su propia estimación socialmente adquirida del desempeño actual de su
género. El ajuste incluiría un aumento cuando la preferencia no parece lo
suficientemente fuerte,

7.8Algunas medidas de éxito, como los números relativos de cada sexo en la

etapa de mayor profesión, pueden llevar a la inestabilidad, con pequeñas
fluctuaciones aleatorias que llevan a las preferencias a escaparse a 0 y 1.
Probablemente sean más realistas las medidas de éxito como la profesión
promedio etapa lograda por cada género, en cuyo caso la preferencia de inicio
para cada nuevo individuo se incrementará en proporción a la diferencia de éxito
actual entre géneros (con algún factor de escala η), y disminuirá en proporción a la
diferencia de preferencia de 0,5 (con algunos factor de escala λ). Estos factores de
escala actuarán de forma similar a los parámetros estándar de aprendizaje de
redes neuronales (η) y regularización (λ) ( Engelbrecht 2007), y ambos deberán
establecerse en línea con el escenario particular que se modele. La velocidad del
cambio de preferencia se puede aumentar / disminuir fácilmente utilizando valores
mayores / menores de η y λ, y las preferencias finales dependerán de su relación,
sujetas a los efectos de piso y techo. La Figura 13 muestra cómo las preferencias
sólidas surgen consistentemente de las diferencias en la etapa promedio de la
profesión lograda por cada género, en los casos de diferencia de habilidad y
discriminación, para η = 0.1 y λ = 0.1, 0.2, 0.4, pero se mantienen cerca de 0.5
cuando no hay diferencias de género.
Figura 13 . Aprendizaje social de las probabilidades promedio de preferencias de
profesión independientes de habilidad. El caso base permanece cerca de 0.5,
mientras que los casos Dif y Disc sin intervención se conforman de manera
idéntica a los valores altos y bajos apropiados, como en la Figura 12 . Diferentes
valores altos y bajos en toda la gama pueden surgir dependiendo de los detalles
del proceso de aprendizaje social y los parámetros.

7.9A pesar de las diferentes fuerzas impulsoras subyacentes, se observa que

surgen patrones de preferencias similares a los de las simulaciones evolutivas de
la Figura 12., aunque mucho más rápido. Tanto la evolución como el aprendizaje
social comienzan con personas que heredan las preferencias de sus padres. La
diferencia clave es cómo cambian esas preferencias. Con la evolución, mutan en
una cantidad aleatoria en una dirección aleatoria, y la posterior selección de los
padres conduce a los mejores cambios que tienden a propagarse en el futuro. Con
el aprendizaje social, las preferencias varían en línea con las estimaciones
actuales de qué cambio sería el mejor, lo que generalmente conduce a un
progreso más rápido, aunque eso claramente depende de los detalles del proceso
de aprendizaje. Desafortunadamente, el aprendizaje social también puede
propagar ideas que no guardan relación con lo que realmente es mejor, como las
ideas estereotipadas de lo que los niños o niñas deberían querer hacer, y simular
que se puede hacer de la misma manera,

Consecuencias de las preferencias claras

7.10Las preferencias emergentes, ya sean de evolución o de aprendizaje social,
tienen sentido, pero queda una pregunta importante sobre ellas. Dado que las
profesiones y los géneros se configuran simétricamente, y hay una tasa de
promoción fija en cada etapa, la posición promedio general en un momento dado
para cada género debe ser independiente de todos los otros factores, incluida
cualquier preferencia de profesión cambiante, por lo que es no es obvio qué es
exactamente lo que los cambios de preferencia están optimizando. Los resultados
de la simulación proporcionan la misma respuesta independientemente de lo que
causa los cambios de preferencia: la Figura 14 muestra las etapas promedio de la
profesión logradas por un género en particular, mientras que las preferencias
cambian como se muestra en la Figura 12debido a una diferencia de capacidad o
discriminación que proporciona una ventaja de promoción para Prof2. La etapa
promedio de la profesión lograda por cada género en ambas profesiones es
constante, como lo requiere la simetría, pero las posiciones promedio logradas
en amboslas profesiones disminuyen como resultado de que las preferencias se
alejan de ser iguales. Inicialmente, la etapa promedio lograda en Prof2 es más alta
que la lograda en Prof1, porque ese género es más capaz o menos discriminado
en Prof2. Luego, a medida que las preferencias particulares de una profesión se
adquieren a lo largo del tiempo, ambos sexos gravitan hacia la profesión que
tienden a hacer mejor, aumentando la competencia allí y reduciendo la posición
promedio de su género. Es por eso que la etapa promedio lograda en Prof2
cae. Mientras tanto, los individuos que permanecen en la otra profesión se
enfrentan a un grupo más grande de competidores del género más exitoso, por lo
que también están peor en promedio. Es por eso que la etapa promedio lograda
en Prof1 cae. Es el aumento en el número de individuos que terminan en la
"mejor" profesión por su género lo que mantiene la posición promedio constante
durante todo el proceso. Pasar de Prof1 a Prof2 aquí mejorará el resultado para
las personas que cambian, pero tener la mayoría de las personas que lo hace
reduce la etapa promedio alcanzado en ambas profesiones para ambos sexos. La
constancia resultante de la etapa promedio general lograda significa que no puede
ser la fuerza impulsora detrás de las preferencias emergentes. Son los individuos
con preferencias más apropiadas que se desempeñan mejor los que resultan en
fuertes preferencias emergentes. pero hacer la mayoría de las personas reduce la
etapa promedio alcanzada en ambas profesiones para ambos sexos. La
constancia resultante de la etapa promedio general lograda significa que no puede
ser la fuerza impulsora detrás de las preferencias emergentes. Son los individuos
con preferencias más apropiadas que se desempeñan mejor los que resultan en
fuertes preferencias emergentes. pero hacer la mayoría de las personas reduce la
etapa promedio alcanzada en ambas profesiones para ambos sexos. La
constancia resultante de la etapa promedio general lograda significa que no puede
ser la fuerza impulsora detrás de las preferencias emergentes. Son los individuos
con preferencias más apropiadas que se desempeñan mejor los que resultan en
fuertes preferencias emergentes.

Figura 14 . Cambio de las posiciones promedio (etapas de la profesión) logradas

por un género particular durante el establecimiento de las preferencias de la
profesión que se muestran en la Figura 12 .

Preferencias sesgadas basadas en habilidades

7.11Las elecciones de profesión basadas en la probabilidad independientes de la
capacidad muestran más claramente cómo pueden surgir las preferencias a través
de la evolución o el aprendizaje, y esa forma de preferencia de profesión será
apropiada cuando los niveles de capacidad relevantes para cada profesión sean
desconocidos o difíciles de determinar. Sin embargo, las personas reales a
menudo tendrán una buena idea de sus propias habilidades, y sería una tontería
no tenerlas en cuenta al elegir su profesión. Las simulaciones anteriores ya han
demostrado que el simple hecho de que cada individuo haga la elección de
profesión que resulte en que terminen en la profesión para la que tienen mejor
capacidad es beneficioso para los individuos, ya que los lleva a alcanzar etapas
más altas en la profesión elegida. Además, cuando hay algún tipo de diferencia de
habilidad basada en el género, esa estrategia es suficiente para llevar a un
número mucho mayor de personas que ingresan a la profesión, y por lo general,
su género lo hace mejor. Sin embargo, parece poco probable que la forma de
elección de profesión basada en la capacidad pura siempre sea la mejor
estrategia. Por ejemplo, otras formas de preferencia profesional pueden
proporcionar mejores estrategias en situaciones donde existe alguna forma de
discriminación basada en el género. La idea aquí es que en lugar de hacer una
elección pura basada en la capacidad, o una elección pura basada en la
probabilidad independiente de la capacidad, la preferencia de la profesión toma la
forma de un sesgo a la elección pura basada en la capacidad, de tal manera que
si la elección basada en la capacidad pura realmente es la mejor, surgirá un sesgo
cero. En cierto sentido, el sesgo codifica lo que se puede aprender del desempeño
pasado de cada género y lo usa para permitir mejores elecciones de profesión en
el futuro. parece poco probable que la mejor opción sea la elección de una
profesión pura basada en la capacidad. Por ejemplo, otras formas de preferencia
profesional pueden proporcionar mejores estrategias en situaciones donde existe
alguna forma de discriminación basada en el género. La idea aquí es que en lugar
de hacer una elección pura basada en la capacidad, o una elección pura basada
en la probabilidad independiente de la capacidad, la preferencia de la profesión
toma la forma de un sesgo a la elección pura basada en la capacidad, de tal
manera que si la elección basada en la capacidad pura realmente es la mejor,
surgirá un sesgo cero. En cierto sentido, el sesgo codifica lo que se puede
aprender del desempeño pasado de cada género y lo usa para permitir mejores
elecciones de profesión en el futuro. parece poco probable que la mejor opción
sea la elección de una profesión pura basada en la capacidad. Por ejemplo, otras
formas de preferencia profesional pueden proporcionar mejores estrategias en
situaciones donde existe alguna forma de discriminación basada en el género. La
idea aquí es que en lugar de hacer una elección pura basada en la capacidad, o
una elección pura basada en la probabilidad independiente de la capacidad, la
preferencia de la profesión toma la forma de un sesgo a la elección pura basada
en la capacidad, de tal manera que si la elección basada en la capacidad pura
realmente es la mejor, surgirá un sesgo cero. En cierto sentido, el sesgo codifica lo
que se puede aprender del desempeño pasado de cada género y lo usa para
permitir mejores elecciones de profesión en el futuro. otras formas de preferencia
profesional pueden proporcionar mejores estrategias en situaciones donde existe
alguna forma de discriminación basada en el género. La idea aquí es que en lugar
de hacer una elección pura basada en la capacidad, o una elección pura basada
en la probabilidad independiente de la capacidad, la preferencia de la profesión
toma la forma de un sesgo a la elección pura basada en la capacidad, de tal
manera que si la elección basada en la capacidad pura realmente es la mejor,
surgirá un sesgo cero. En cierto sentido, el sesgo codifica lo que se puede
aprender del desempeño pasado de cada género y lo usa para permitir mejores
elecciones de profesión en el futuro. otras formas de preferencia profesional
pueden proporcionar mejores estrategias en situaciones donde existe alguna
forma de discriminación basada en el género. La idea aquí es que en lugar de
hacer una elección pura basada en la capacidad, o una elección pura basada en la
probabilidad independiente de la capacidad, la preferencia de la profesión toma la
forma de un sesgo a la elección pura basada en la capacidad, de tal manera que
si la elección basada en la capacidad pura realmente es la mejor, surgirá un sesgo
cero. En cierto sentido, el sesgo codifica lo que se puede aprender del desempeño
pasado de cada género y lo usa para permitir mejores elecciones de profesión en
el futuro. la preferencia de profesión toma la forma de un sesgo hacia la elección
pura basada en la habilidad, de tal manera que si una elección basada en la
capacidad pura es realmente la mejor, surgirá un sesgo cero. En cierto sentido, el
sesgo codifica lo que se puede aprender del desempeño pasado de cada género y
lo usa para permitir mejores elecciones de profesión en el futuro. la preferencia de
profesión toma la forma de un sesgo hacia la elección pura basada en la habilidad,
de tal manera que si una elección basada en la capacidad pura es realmente la
mejor, surgirá un sesgo cero. En cierto sentido, el sesgo codifica lo que se puede
aprender del desempeño pasado de cada género y lo usa para permitir mejores
elecciones de profesión en el futuro.

7.12Una forma natural de implementar dichas preferencias profesión sería tener

un sesgo evolucionado o aprendida B que se añade a las capacidades de
una p antes de una elección basada en la capacidad de la profesión p se hace. Así
profesión Prof1 sería elegido, si un 1 + b / 2 > un 2 -b / 2 , de lo contrario Prof2
sería elegido . Si Prof1 generalmente conduce a un mejor éxito para el género
dado, b será positivo, y escribir la desigualdad como un 2 - a 1 < b muestra que el
sesgo bes esencialmente una medida de cuánto mejor debe ser un individuo en la
profesión no preferida de su género para que sea sabio elegirlo. Por lo tanto, b =
0 corresponde a la elección de profesión basada en la habilidad pura anterior, y
una muy grande b corresponde a la elección definitiva de Prof1 codificada
como p = 1 en el enfoque anterior basado en la probabilidad. Si los cambios en el
sesgo b son impulsados por diferenciales de éxito específicos de género en cada
profesión, de la misma forma subyacente al anterior enfoque basado en la
probabilidad, el sesgo actuará para evitar que las personas más débiles entren en
la profesión menos probable de su género bien en, hasta que niveles iguales de
éxito se logran por ambos sexos.

7.13Hay dos diferencias importantes entre este enfoque y el anterior enfoque de

preferencia independiente de la capacidad. Primero, si se ha minimizado un
diferencial de éxito promedio basado en el género al aprender un sesgo no nulo b ,
y la causa del diferencial original luego desaparece, el valor
de b aprendido conducirá a elecciones de profesión inapropiadas con el diferencial
de éxito resultante en el opuesto dirección que causará que b decaiga
automáticamente de vuelta a cero. Esto significa que, a diferencia de las
probabilidades de preferencia independientes de la capacidad, no es necesario un
factor de disminución explícito λ para el sesgo de preferencia. Por lo tanto, los
sesgos apropiados b se pueden aprender simplemente comenzando cada nuevo
individuo con la bvalor de su padre u otro modelo a seguir (convenientemente
tomado, como antes, para ser el último individuo eliminado en la simulación), e
incrementándolo en proporción a la diferencia de éxito actual entre géneros (con
algún factor de escala η que nuevamente actúa como aprendizaje tarifa). La
segunda diferencia es que la participación de habilidades en la elección de
profesión significa que los sesgos aprendidos ya no serán necesariamente los
mismos en los casos de discriminación y diferencia de capacidad.

7.14 LaFigura 15 muestra cómo la profesión sesga bemergen de las diferencias

en la etapa promedio de la profesión lograda por cada género para los casos de
línea base, diferencia de capacidad y discriminación para la tasa de aprendizaje η
= 1.0 y ninguna intervención. La velocidad de aprendizaje aquí de nuevo depende
de los diversos valores de parámetros utilizados, pero las preferencias claras
codificadas por prejuicios surgen constantemente para igualar el rendimiento
promedio de cada género en cada situación. El sesgo se mantiene cerca de cero
para el caso de la línea de base, donde no hay diferencias de capacidad o de
discriminación en toda la población para hacer que una opción personal pura
basada en la capacidad sea subóptima. Termina alrededor de ± 1.0 para el caso
de la diferencia de capacidad, donde la existencia de un género mejor o más débil
significa que una pequeña diferencia de capacidad personal puede no ser un
indicador suficiente del éxito futuro. Finalmente, adquiere valores mayores
alrededor de ± 2.2 para el caso de discriminación,
Figura 15 . Aprendizaje social de los sesgos de elección de profesión basados en
habilidades. El caso base permanece cerca de 0 para ambos sexos en ambas
profesiones, mientras que los casos Dif y Disc sin intervención terminan con
valores altos apropiados (para Gen0 en Prof1 o Gen1 en Prof2) y valores bajos
(para Gen0 en Prof2 o Gen1 en Prof1 ) Los sesgos emergentes se establecen en
± 1.0 para Dif y ± 2.2 para Disco.

Consecuencias prácticas
8.1A menudo, la cuestión práctica más importante para las empresas o
universidades interesadas, y la sociedad en general, es la capacidad promedio en
cada etapa de cada profesión, independientemente de las actuaciones relativas o
absolutas de los géneros individuales, o los números relativos de cada sexo . Este
problema ahora se explorará para los diversos escenarios modelados hasta ahora.

8.2Los resultados de la simulación presentados en la Figura 11ya muestran los

niveles de capacidad relativa para los diferentes casos de diferencia de habilidad,
discriminación e intervención para la elección de profesión basada en la habilidad
imparcial. La cuestión práctica importante es cómo las intervenciones afectan la
capacidad promedio, y por lo tanto el rendimiento, que surge para cada etapa de
la profesión. La consecuencia de las intervenciones para igualar las cifras entre los
géneros es una mejora general de la capacidad en los casos de discriminación
basada en el género, ya que garantiza que las personas más capaces sean
aceptadas en la profesión o promovidas dentro de la profesión. Sin embargo,
aplicar la misma intervención conduce a un peor rendimiento general si la
desigualdad en números se debe realmente a alguna forma de diferencia de
habilidades más que a la discriminación, ya que permite que individuos más
débiles sean aceptados en la profesión o promovidos dentro de la profesión,

8.3Parece probable que las preferencias de elección de profesión existen en

muchos escenarios del mundo real, y en las situaciones más extremas, las
preferencias emergentes independientes de la capacidad pueden ser muy fuertes,
como se ve en la Figura 12 y la Figura 13 . Los niveles generales de habilidad en
cada etapa de la profesión para las fuertes preferencias evolucionadas de
la Figura 12 se muestran en la Figura 16, y resultados similares surgen para las
preferencias aprendidas socialmente de magnitudes similares. En estos casos,
cada profesión emplea individuos casi exclusivamente de un género, por lo que los
efectos de la discriminación basada en el género o las diferencias de capacidad
son muy pequeños, y todos los niveles de capacidad convergen, excepto por el
pequeño número de individuos que persisten en la profesión que discrimina contra
ellos. Como se discutió para los resultados de elección de profesión basados en
habilidades de la Figura 10 , las habilidades superiores del género
subrepresentado aquí proporcionan una señal clara que vale la pena buscar en
profesiones reales como un indicador de discriminación. Además, esa señal es
bastante robusta, ya que también surge para casos intermedios en los que las
preferencias y habilidades se combinan de diversas maneras para seleccionar la
profesión.
Figura 16 . Niveles de capacidad promedio en cada etapa de la profesión para
cada género (Gen0, Gen1) en los casos de referencia (base), diferencia de
capacidad (Dif) y discriminación (disco), para las preferencias de profesión
desarrolladas fuertes de la Figura 12 . Para comparación con los niveles de
capacidad sin preferencia de la Figura 10 .

8.4La cuestión inevitable de importancia práctica aquí es: ¿cómo la aparición de

fuertes preferencias de profesión a partir de diferenciales de éxito y los
desequilibrios de género asociados en todas las profesiones afectan los niveles
generales de capacidad, dado que han sido impulsados exclusivamente por
individuos que desean alcanzar puestos más altos? en su profesión elegida? Los
diferentes niveles de habilidad para cada género en cada etapa de su profesión
más apropiada (es decir, la profesión con la que es más probable que les vaya
bien por cualquier razón) para los cuatro enfoques de elección de profesión
discutidos anteriormente se comparan en la Figura 17. Las mejores habilidades
generales surgen de la elección de profesión basada en la habilidad, y lo peor
surge de la elección de profesión al azar. Eso no es sorprendente, dado que esas
elecciones afectan la capacidad de los individuos de desempeñarse lo mejor
posible. Un resultado menos obvio es que las preferencias emergentes de la
profesión independiente de la capacidad basada en la probabilidad son capaces
de acercar los niveles de habilidad a los de la elección de profesión basada en la
capacidad, particularmente en las etapas superiores. Esto podría ser de enorme
importancia práctica para la sociedad en general si las habilidades relevantes son
difíciles de evaluar antes de que las elecciones de profesión deban hacerse. Para
el enfoque basado en la predisposición de las preferencias, no existe una
diferencia significativa en las habilidades emergentes de la elección basada en la
capacidad pura, aparte del nivel de entrada donde son ligeramente más
bajas.prueba t , p <10 -60 ).

Figura 17 . Niveles promedio de habilidad en cada etapa de la profesión para

cada género en su profesión más apropiada, para las cuatro estrategias de
elección de profesión: basada en habilidad (Habilidad), aleatoria (Aleatoria),
preferencia basada en probabilidad independiente de habilidad (Preferencia) y
habilidad sesgada- basado (Sesgo de habilidad). Los resultados son los mismos
para los casos de diferencia de capacidad (Dif) y discriminación (Disco) y para
ambos sexos.
8.5Otra pregunta práctica para las empresas individuales o los departamentos
académicos es qué deberían hacer si confían en que han eliminado todas las
formas de discriminación, pero todavía encuentran que tienen desequilibrios de
género significativos. No hacer nada podría no ser la mejor opción si la
incorporación de un género se reduce debido a problemas anteriores en la cadena
de suministro, o preferencias inútiles que persisten del pasado, o las acciones de
otras empresas o departamentos menos ilustrados en otros lugares, porque eso
dañará sus niveles generales de habilidad, y hacen poco para mejorar cualquier
preferencia inapropiada basada en el éxito en el futuro. Sin embargo, la clave para
saber qué es lo mejor es comprender qué está sucediendo
exactamente. Nuevamente, un par de casos de estudio abstractos deberían ser
suficientes para ilustrar el tipo de resultados que pueden surgir de los modelos.

8.6Existen claramente muchos factores específicos de género (como bajo

potencial de éxito percibido, falta de modelos de conducta adecuados, reducción
de la autoeficacia y formas indirectas de discriminación) que podrían estar
subyacentes a los tipos de preferencias de carrera analizados en la última sección
y En primer lugar, desalentando a determinados jóvenes a ingresar en ciertas
profesiones, como las mujeres en el campo de la informática ( Cheryan et al.,
2017 ; Gürer & Camp 2001 ; Wang & Degol 2014) Afortunadamente, las
consecuencias de tales disparidades iniciales se pueden modelar sin necesidad de
especificar exactamente qué factores están reduciendo los números que ingresan
a la profesión dada. El caso base tiene números iguales de cada género que
ingresa en cada profesión (es decir, 50%), y eso se puede comparar con el caso
donde cada género tiene mucha menos personas ingresando en una profesión
que la otra (25% y 75%). Si no hay más formas de discriminación presentes, no
hay diferencias de capacidad y elecciones de profesión totalmente al azar, esas
diferencias iniciales persisten en todas las etapas de la profesión, como se ve en
la Figura 18.. Sin embargo, si todas las personas que eligen esa profesión lo
hacen de acuerdo con sus mejores habilidades, es probable que las personas del
género menos representado estén en el extremo superior de su distribución de
habilidades, y las promociones justas les permitan ascender rápidamente a través
del etapas para que las proporciones de género se igualen en las etapas más
altas. Estos resultados contrastan claramente con los conductos que se reducen
en la Figura 8 para el caso de las diferencias de capacidad basadas en el género
en entornos libres de discriminación, y brindan más señales que pueden buscarse
en poblaciones reales para elucidar lo que está sucediendo.
Figura 18 . Porcentaje de Gen1 de género en cada etapa cuando no hay
discriminación y no hay diferencias de habilidad, comenzando a la mitad o al total
de trimestre, para la elección aleatoria de profesión (rand) y la elección basada en
habilidad de la mejor profesión (mejor). Para comparar con las tuberías de
las Figuras 8 y 9 .

8.7.Una pregunta relacionada de importancia práctica es cuán rápido pueden

restablecerse las preferencias de profesión inapropiadas una vez que han
surgido. La relevancia obvia de esto es comprender cómo las preferencias
derivadas de la discriminación en el pasado cambiarán después de que la
discriminación se haya eliminado con éxito. Sin embargo, también podría ser
relevante para situaciones en las que los cambios tecnológicos o culturales hayan
eliminado las diferencias anteriores de habilidades basadas en el género. Si las
probabilidades de preferencia fuerte han surgido lentamente a lo largo de escalas
de tiempo evolutivas largas, como en las Figuras 12 y 14, en general, les llevará
un tiempo similarmente largo igualar. Si las preferencias surgen debido al
aprendizaje social basado en diferenciales en las etapas promedio logradas, como
resultado de los cambios de preferencias observados en la Figura 13 ,
automáticamente volverán a 0.5 una vez que se elimine la discriminación, como se
ve en la Figura 19 , con escalas de tiempo que Depende de los detalles de los
procesos involucrados. De manera similar, las preferencias de sesgo de capacidad
de la forma se ven en la Figura 15automáticamente volverá a cero con escalas de
tiempo similares a su crecimiento original. Sin embargo, si las preferencias son
impulsadas por los números en las etapas superiores, en lugar de las etapas
promedio logradas, y son bajas debido a las preferencias existentes, será difícil
para ellos cambiar automáticamente, y pueden requerirse otras medidas para
igualar la preferencias. Si bien este tema puede ser claramente explorado en los
modelos, los resultados de la simulación serán tan buenos como nuestra
comprensión de qué es exactamente lo que impulsa las preferencias y escalas de
tiempo asociadas, y no hay ninguna razón por la cual el aprendizaje social no
pueda ser manipulado para acelerar el erradicación de las preferencias
profesionales pasadas inútiles.

Figura 19 . El reaprendizaje social restablece automáticamente las preferencias

de profesión inapropiadas. Todas las probabilidades de preferencia altas y bajas
que surgieron debido a la discriminación en la Figura 13 decaen nuevamente a 0.5
después de que la discriminación ha sido eliminada.
Discusión y conclusión
9.1Este documento ha introducido un marco de modelado basado en agentes que
permite la simulación de las desigualdades de género en cualquier "profesión" que
implique "promociones" impulsadas por la capacidad a través de algún tipo de
jerarquía. Es lo suficientemente general como para permitir modelos de roles
específicos de género en cualquier especie, pero ha sido principalmente motivado
por un deseo de comprender mejor la progresión de la carrera humana. Se
presentó una serie representativa de resultados de simulación basados en
estructuras de carrera humanas típicas para demostrar cómo dichos modelos
conducen a resultados confiables en una serie de escenarios clave simplificados,
aunque el objetivo final es que el enfoque se ajuste para generar resultados
novedosos para escenarios más realistas del mundo real. Los modelos
presentados han servido para establecer cómo los factores principales se pueden
estudiar efectivamente dentro del marco,

9.2Una ventaja clave de los modelos es que se pueden usar para identificar
señales claras en los resultados que se pueden buscar en situaciones reales para
dilucidar las causas subyacentes de cualquier desigualdad de género allí. Por
ejemplo, algunas de esas señales ya observadas en las simulaciones presentadas
en este documento son:

1. Las diferencias en el patrón detallado de las tuberías con fugas de las

formas que se ven en las Figuras 8 y 9 pueden indicar si las diferencias de
capacidad basadas en el género están en los medios o en las varianzas.
2. Los géneros insuficientemente representados que tienen habilidades más
altas en las etapas superiores de la carrera, como se ve en las
Figuras 10 y 16 , es probable que sea un signo de discriminación contra ese
género.
3. Los géneros insuficientemente representados que tienen habilidades más
bajas en las etapas superiores de la carrera, como se ve en la Figura 11 ,
es una señal de que puede estar ocurriendo una intervención inapropiada a
favor de ese género.
4. Un género inicialmente subrepresentado, cada vez más representado en
las etapas superiores de la carrera, como se ve en la Figura 18 , es una
señal de que pueden existir preferencias de profesión inapropiadas.

Se espera que señales más específicas sean identificables en modelos más

ajustados a profesiones particulares de la vida real.

9.4Para simplificar el análisis y la presentación, los escenarios simulados en este

documento han estado sujetos a una serie de simplificaciones y
aproximaciones. En particular, todos los modelos reportados han involucrado solo
dos profesiones, y todas las diferencias basadas en el género han sido simétricas
en esas profesiones. En realidad, por supuesto, existen muchas más de dos
profesiones, las habilidades individuales no se alinean perfectamente con esas
profesiones, y hay una clara falta de simetrías en todo. Generalmente, habrá más
de una organización (p. Ej., Empresa o universidad) para cada profesión, y el
cambio entre ellas es una característica común de la progresión profesional de la
vida real. Sin embargo, el marco de modelado propuesto es lo suficientemente
general como para hacer frente fácilmente a tales extensiones.

9.5Un problema común con tales modelos es que hay demasiados efectos
potenciales basados en el género para que sea posible simular todas las
combinaciones posibles. Sin embargo, ya existen numerosas ideas e hipótesis que
podrían probarse con el enfoque, y dado que existen tantos factores adicionales
que podrían incorporarse fácilmente en los modelos, se espera que el enfoque de
simulación basado en agentes generales se generalizará más. usado en el
futuro La gama de cuestiones que podrían probarse explícitamente en el futuro se
puede ilustrar con algunos ejemplos específicos: la primera se refiere a la idea de
que las diferencias de género en la asunción de riesgos pueden llevar a
diferencias en la varianza de ciertas habilidades o estrategias de promoción
( Robison). Cox et al. 2007 ; Schubert 2006), que se relaciona con la evidencia de
que la testosterona afecta la aversión al riesgo financiero y las elecciones de
carrera ( Sapienza et al., 2009 ). Otro se relaciona con la existencia de trayectorias
profesionales distintas para las etapas más altas de algunas profesiones, con
diferentes efectos de género para cada una ( Robison-Cox et al., 2007).) En
situaciones en las que el aprendizaje, la experiencia o el rendimiento profesional
de los individuos aumentan sus capacidades percibidas de acuerdo con el número
de años en la profesión elegida o en cada etapa de esa profesión, sería
interesante investigar las diferentes distribuciones por edad que surgen para cada
género en cada etapa, y explora los efectos de factores relacionados como el
permiso de maternidad. También sería sencillo considerar fijar el número de
individuos en cada etapa de la profesión, en lugar de dejarlos emerger
promoviendo una fracción fija de individuos elegibles cada año, lo que daría lugar
a simulaciones más parecidas a las del estudio de gestión corporativa de Robison.
-Cox, Martell y Emrich ( 2007) que las promociones basadas en el mérito más
típicas de la academia. Otras hipótesis que podrían ser fácilmente exploradas en
los modelos son que un género tiende a ser más agresivo para buscar promoción,
o más rápido para dejar de esperar la promoción, o más probabilidades de
cambiar de profesión o entre diferentes organizaciones dentro de una profesión.

9.6También hay varios detalles más que se han explorado y optimizado

previamente en simulaciones relacionadas de la evolución del ciclo de vida
( Bullinaria 2009 , 2017)), que podría incorporarse con relativa facilidad en el
enfoque de modelado basado en el género presentado aquí. El más simple de
estos se refiere a la posibilidad de permitir habilidades y preferencias que varían
con la edad, y reemplazar cualquier parámetro fijado en valores particulares con
distribuciones de valores de parámetros o valores que pueden evolucionar a lo
largo de las simulaciones. También es una limitación obvia de los modelos de
inspiración humana presentados en este documento, y las variaciones sugeridas
hasta el momento, que están restringidos al ámbito de las carreras para adultos y
en función de los niveles de capacidad que tienen las personas para ingresar a
esas carreras a la edad 20 años. Sería claramente útil e informativo ampliar el
rango de los modelos para abarcar toda la vida humana, desde el nacimiento
hasta las distintas etapas de la infancia y la educación. y a través de las etapas de
carreras para adultos ya modeladas. Eso permitiría modelar el surgimiento de
cualquier diferencia de capacidad adulta que sea culturalmente adquirida, en lugar
de innata, y permitir la exploración de posibles intervenciones en las etapas
previas a la carrera que podrían conducir a mejores resultados en los
adultos. Incluso se podría llegar a tener modelos a escala del aprendizaje
individual y social basado en memes de las habilidades necesarias para
determinadas profesiones y las preferencias de profesión asociadas, y
posiblemente también introducir detalles más detallados, como las preferencias de
tiempo específicas de género para todas las eventos cruciales relevantes, como
buscar ascensos, crianza de hijos, jubilación, etc. Finalmente, es probable que
algunos investigadores estén menos interesados en las carreras humanas,

9.7Afortunadamente, este breve documento ha sido suficiente para demostrar

cómo el marco de modelado general basado en agentes puede permitir explorar
todo tipo de factores de progresión de carrera basados en el género de una
manera más sistemática que anteriormente, en el que todos los supuestos y
simplificaciones son explícito, y los efectos cuantificables. Es inevitable que
algunos lectores estén en desacuerdo con las suposiciones y simplificaciones
particulares empleadas en las simulaciones presentadas aquí, pero estas cosas
pueden variarse fácilmente. El objetivo es que en el futuro los investigadores vean
el poder de este enfoque y lo usen ellos mismos para probar las consecuencias de
los diversos supuestos y simplificaciones, y realizar simulaciones más
cuidadosamente adaptadas a sus propios datos y creencias.

Apéndice: estructura del marco de simulación

El marco de simulación presentado en este documento es muy flexible, y los
parámetros adicionales pueden agregarse fácilmente, evolucionarse o aprenderse
socialmente de diferentes maneras. También hay una enorme variedad de
opciones para las diferencias subyacentes basadas en el género y las prácticas
discriminatorias, las estrategias de elección de profesión, el surgimiento y la
aplicación de preferencias de profesión, y cómo las intervenciones podrían usarse
para minimizar los desequilibrios de género. A continuación se describe la
estructura general del marco básico con punteros hacia donde se insertarían las
diversas características adicionales. También resume los valores de los
parámetros clave utilizados en las simulaciones que subyacen a cada figura en
este documento.
// Key parameters and values in the presented
simulations

int NumYears // simulation run length in years

= 10000 for all figures
int PopSize // size of simulated population =
10000 for all figures
int NumStages // number of profession stages = 7
for all figures
int MinAge // age when introduced into
simulation = 20 for all figures
int MaxAge // age at retirement and leaving
simulation = 70 for all figures

float x // fraction promoted at each

profession stage each year
// varied in Fig 1; = 0.06
elsewhere
int w // years wait before becoming
eligible for promotion
// varied in Fig 2; = 0 for Fig 1;
= 7 for Fig 5; = 4 elsewhere
int g // years willing to wait for
promotion before giving up
// varied in Fig 3; = ∞ for Figs
1, 2, 5; = 12 elsewhere

// Data structure for each simulated individual i

Indiv[i] = {
int gender // gender (0 or 1)
int age // current age
float abil1, abil2 // abilities for
professions 1 and 2
float pref1, pref2 // preferences for
professions 1 and 2
int prof // chosen profession (1
or 2)
int stage // current profession
stage
 float yacs // years at current
profession stage
maybe additional evolved or socially learned
parameters
}

// Pseudo-code outline for each simulation

RunSimulation() {
NewIndividual(1 to PopSize)
for year = 1 to NumYears {
for i = 1 to PopSize {
Indiv[i].age++, Indiv[i].yacs++
if( Indiv[i].age > MaxAge OR
Indiv[i].yacs > g ) NewIndividual(i)
maybe apply experience-related ability
increases
}
ApplyPromotions()
}
}

NewIndividual(i) {
Indiv[i].gender = random 0 or 1
Indiv[i].age = MinAge
// abilities may have gender-dependent means or
variances:
Indiv[i].abil1 = random from Gaussian
distribution
Indiv[i].abil2 = random from Gaussian
distribution
// preferences may be probabilities or ability
biases:
Indiv[i].pref1 = depends on profession
preference details
Indiv[i].pref2 = depends on profession
preference details
// profession depends on choice strategy and
maybe preference values:
Indiv[i].prof = 1 or 2
Indiv[i].stage = 1
 Indiv[i].yacs = 0
evolution or social learning of any additional
parameters
}

ApplyPromotions() {
for profession = 1 to 2 {
for stage = 1 to NumStages {
select individuals with given
profession, stage and yacs >= w
sort by ability, maybe adjusted by some
form of discrimination
for individuals i in fraction x with
highest abilities {
maybe apply intervention to equalize
numbers of each gender
Indiv[i].stage++, Indiv[i].yacs = 0
}
}
}
}