(De)Stigmatization and The Inclusive Organization
Notice bibliographique
Résumé
This symposium showcases recent work about the processes of stigmatization and potential for destigmatization in organizations. Five papers ranging from empirical to conceptual discuss how and why different types of employee identities and characteristics are stigmatized and the implications of that stigmatization. The papers investigate a diverse set of stigmas non-native accents, sexual minority status, mental illnesses, cumulative stigmas, and stigma by association and a diverse array of outcomes: entrepreneurial funding decisions, coworker treatment, trust, psychological outcomes, and hireability. Further, each paper provides insight what factors may increase or decrease these stigmatization processes. Together, the papers of this symposium fulfill two goals: 1) provide deeper explanations as to how and why stigmatization occurs; and 2) shed light on the role destigmatization can play in making organizations more inclusive. Effects of Disclosure on Evaluations of Nonnative Speakers and Entrepreneurial Investment Decisions Presenter: Regina Kim; IESEG School of Management Presenter: Rae Yunzi Tan; U. of Baltimore Heterosexual Employees’ Identity Threat Responses to Gay/Lesbian Disclosure Presenter: Brent John Lyons; Schulich School of Business Presenter: John Lynch; U. of Illinois at Chicago Presenter: Tiffany Dawn Johnson; Georgia Institute of Technology A Continuum of Workplace Mental Health and Illness and its Relationship with Leader Trust Presenter: Amanda J. Hancock; Memorial U. of Newfoundland Presenter: Kara Anne Arnold; Memorial U. of Newfoundland Validation of a Stigma Load Instrument: Implications for Developing an Inclusive Organization Presenter: Roxanne Beard; McKendree U. Presenter: Robyn A. Berkley; Southern Illinois U., Edwardsville Presenter: Catherine Daus; Southern Illinois U., Edwardsville Destigmatization and Its Imbalanced Effects in Labor Markets Presenter: Giacomo Negro; Emory U. Presenter: Melissa J. Williams; Emory U. Presenter: Elizabeth Pontikes; UC Davis
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,014 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,000 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».