|
近期，除了中介效应的讨论外，一篇探讨经济学博士就业市场的论文在学术圈中引发了热议（社群里讨论火爆）。论文的核心议题是：在社交媒体上曝光或推广你的就业市场论文（JMP），并得到知名经济学家的转发支持（处理组），是否能够帮助你在就业市场中取得更好的结果，包括提升个人可见性、增加面试机会以及提高offer成功率。 然而，这篇论文也引发了一些争议。一些声音担忧，知名经济学家转发处理组候选人的JMP推文，可能会有损自己的声誉。毕竟，如何确保这些推文背后的JMP具有真正的价值？此外，考虑到经济学博士求职市场的激烈竞争，如果存在处理组与对照组的差异对待，是否会导致零和博弈的局面，处理组候选人的成功是否会以牺牲对照组候选人的利益为代价？从论文的结论来看，似乎在社交媒体上积极推广自己的研究JMP是一个不错的选择。这或许能够增加你在就业市场中的可见度，提高获得工作机会的几率。如果能够通过这种方式获得更多的关注和机会，那么下一个成功获得offer的候选人，很可能就是你。 祝2024年所有求职的社会科学博士一切顺利。 *值得注意的是这篇论文的作者还包括大名鼎鼎的诺贝尔经济学奖得主Alvin Roth。这项研究在Twitter上开展了一项现场实验，目的是探究社交媒体推广论文对经济学博士就业市场结果的影响。实验涉及519篇就业市场JMP论文，其中一半被随机选定，由知名经济学家通过推特引用。结果显示，被推特引用的论文获得了442%的浏览量增长和303%的点赞增长。此外，实验组的候选人平均获得的面试邀请比控制组多一个，女性候选人则额外获得了0.9个以上的面试邀约。这些结果表明，社交媒体推广能够显著提升经济学就业市场候选人的可见性与成功率，尤其是对女性等少数群体。本研究旨在评估社交媒体推广对就业市场结果的因果影响，并探讨其在改善少数群体就业前景方面的潜力。我们采取的是一种低成本、易于实施的干预措施：通过知名经济学家在Twitter上引用推文（即带有评论的转发）。实验基于社交媒体推广的文献和弱联系理论。被引用的论文通过知名经济学家的推文获得了桥梁作用，增强了候选人在学术界的可见性和认可度。实验结果表明，社交媒体推广显著提高了论文在Twitter上的可见性和参与度，实验组论文的浏览量和点赞量分别增长了442%和303%。在就业市场结果上，实验组参与者平均获得的面试邀请数量比对照组多一个。特别是女性参与者，她们获得的工作邀约数量比对照组多0.9个以上。
本项现场实验是在2022至2023年经济学就业市场季期间进行的。该研究已获得密歇根大学IRB（HUM00221663）的批准，并在AEA RCT注册表进行了预注册。实验的准备工作如下：2022年9月，从AEA的经济学家职位空缺（JOE）、欧洲经济学家就业市场（EJME）以及各系网站中收集信息，构建了一个包含2,714名就业市场候选人（JMCs）的候选人库。10月，创建了一个名为“Econ Job Market Helper”的专用Twitter账号，专门用于推广就业市场论文（JMPs）。还邀请了朋友和同事关注此账号。实验期间，该账号吸引了超过2,000名关注者。创建Twitter账号后，邀请了拥有4,000名以上关注者的知名学术经济学家协助实验，共有81位同意参与（以下简称“影响者”）。值得注意的是，学术经济学家在Twitter上往往相互关注，这在就业市场的背景下是一个重要的考虑因素，因为它有助于扩大在这个网络中共享内容的传播范围和影响力。完成这些准备工作后，进入了实验的三个阶段。2022年11月初，向候选人库中的所有JMCs发放了就业市场前调查问卷，收集了他们的学术背景、就业偏好、人口统计信息以及Twitter账号。还要求他们撰写一条关于他们JMPs的推文，并根据社交媒体吸引注意力的实证研究提供了指导。为了激励JMCs完成就业市场前调查，提供了两个激励措施：一是参加虚拟工作坊以准备就业市场的机会，二是承诺在我们的专用Twitter账号上发布他们的JMP推文。在完成市场前调查的849名JMCs中，有590人提交了JMP推文。在11月9日至12月1日期间，在我们的Twitter账号上发布了这590条JMP推文，确保每位参与者的推文都能在相似的读者群体中得到展示，从而减少了由于JMCs现有关注者和Twitter活动可能产生的不平等。在提交推文的参与者中，有519名在干预期间之前已经将他们的JMPs发布到了网上，因此他们被纳入了实验研究中。接下来，将详细说明我们的分层随机化过程、用于匹配每位就业市场候选人（JMC）与影响者的算法、干预的具体步骤以及中间结果的数据收集方法。将JMC分为两组：少数群体（URG，包括女性、种族和民族少数群体以及LGBTQ+个体）和非少数群体（非URG）。进一步根据他们所在的学术机构是否位于美国前30名或美国以外对JMC进行分层。在每个分层内，根据JMC主要导师的Google scholar引用次数进行排序，形成三元组（triplets）。采用了匹配三元组设计，这是一种高效匹配对设计的延伸，将URG（非URG）候选人分配到处理组的概率分别设定为2/3和1/3。这样的设计使得URGs更有可能被分配到处理组，体现了对提升经济学职业中少数群体代表性的关注。在随机化分组之后，对处理组中的就业市场候选人（JMC）进行了与他们所在领域的影响者的匹配。对于每篇就业市场论文（JMP），计算了其摘要与每位影响者在Google学者上排名前20的论文摘要之间的余弦相似度。接着，将每篇JMP与余弦相似度分数最高的对应影响者进行匹配。余弦相似度是一种在信息检索领域广泛使用的度量方法，用于衡量文档间的语义相似性，并且已经在采用自然语言处理技术的经济研究中得到应用。在自动算法匹配完成后，为了进一步提升研究主题的匹配精确度，对247篇JMP中的49篇进行了细致的手动调整。这一步骤确保了JMC与影响者之间的匹配更加精准，从而提高了实验的质量和效果。在11月28日至12月8日的时间段内，主动联系了参与实验的影响者，并通知他们所分配的就业市场论文（JMP）。请求这些影响者通过我们的专用Twitter账号转发JMP推文。为了简化操作，提供了一个模板，影响者可以按照这个模板转发，或者根据自己的风格创作个性化的消息。平均来看，每位影响者负责转发三篇JMP推文。为了保证推文能够得到更广泛的传播，在发送电子邮件时采取了分时策略，确保不是所有的影响者都选择在同一天进行转发，从而避免了信息的拥堵和重叠。对于每篇JMP推文，发送了一封包含链接的电子邮件，该链接指向一个基于我们模板生成的转发推文页面，影响者可以在这个页面上进行个性化的修改。影响者们展现出了极高的合作意愿和执行力，遵从率高达88%，意味着绝大多数分配给他们的推文都得到了成功的转发和推广。在2023年4月，就业市场结束后，通过Twitter API和Twitter Analytics收集了数据，以评估影响者引用推文相对于对照组对JMP推文的可见性和参与度的影响。重点关注了来自Twitter Analytics的两个指标：（1）JMP推文的浏览量（包括引用推文的浏览量），这是衡量可见性的重要指标；（2）JMP推文和影响者引用推文获得的点赞数量，这是衡量参与度的指标。浏览量反映了推文的传播范围，即JMP推文被曝光的广度，而点赞数量则反映了JMP推文内容的认可度或质量信号。与JMP推文和影响者引用推文相关的Twitter活动，有98%发生在2022年12月，即我们进行干预的时间段。在2023年5月，开展了就业市场后调查，旨在收集就业市场结果的相关数据。调查内容包括面试次数、面试邀请次数、工作邀请次数，以及接受工作邀请者的薪资范围和对就业安排的满意度。为提高参与度，向参与调查的就业市场候选人（JMCs）提供了价值10美元的亚马逊礼品卡作为激励，并针对未回复的参与者发送了最多六次的提醒邮件。为确保收集数据的准确性，对报告的异常值进行了核查，特别是对那些报告税前年薪超过60万美元或低于2.5万美元，以及报告面试次数超过50次的参与者进行了联系。在大多数情况下，参与者在接到联系后确认或修正了他们的数据。图1概述了实验设计及各阶段参与者的数量。在干预前已将就业市场论文（JMP）在线发布并纳入分析的519名参与者中，有417人（占比80%）完成了就业市场后调查，以下简称为“就业市场前后样本”。处理组完成就业市场后调查的比例比对照组高出4个百分点，但这一差异在统计上并不显著（p > 0.257）。美国公民和拥有Twitter账号的个体完成就业市场后调查的可能性显著更高（p = 0.005和0.048）。然而，在就业市场后样本中，处理组和对照组的观察特征基本保持一致，除了年龄和父母收入等级（p = 0.018和0.010），这些因素在回归分析中已进行了控制。
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
|
