Networks of complicity: social networks and sex harassment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to explore the question of why sex harassment persists in organizations for prolonged periods – often as an open secret. Design/methodology/approach In-depth interviews were conducted with 28 people in diverse organizations experiencing persistent sex harassment. Data were analyzed using standard qualitative methods. Findings The overarching finding was that perpetrators were embedded in networks of complicity that were central to explaining the persistence of sex harassment in organizations. By using power and manipulating information, perpetrators built networks that protected them from sanction and enabled their behavior to continue unchecked. Networks of complicity metastasized and caused lasting harm to victims, other employees and the organization as a whole. Research limitations/implications The authors used broad, open-ended questions and guided introspection to guard against the tendency to ask for information to confirm their assumptions, and the authors analyzed the data independently to mitigate subjectivity and establish reliability. Practical implications To stop persistent sex harassment, not only must perpetrators be removed, but formal and informal ties among network of complicity members must also be weakened or broken, and victims must be integrated into networks of support. Bystanders must be trained and activated to take positive action, and power must be diffused through egalitarian leadership. Social implications Understanding the power of networks in enabling perpetrators to persist in their destructive behavior is another step in countering sex harassment. Originality/value Social network theory has rarely been used to understand sex harassment or why it persists.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle