Multiple Identities and Non-Prototypicality: Intersectionality at Work
Notice bibliographique
Résumé
Everyone has multiple social identities that influence the way they are perceived and treated and, in turn, how they perceive and respond to their social worlds at work. To date, research has tended to focus only on one identity at a time. The papers in this symposium investigate how different combinations of multiple identities affect a variety of outcomes at work, from biases and beliefs to recruitment, fundraising, and perceptions of speech and discrimination. This symposium has three goals: (1) to shed light on emerging theory on intersecting social identities, (2) to present innovative scholarship about how multiple intersecting social identities affect how individuals negotiate their workplaces and what treatment they receive, and (3) to create space for complicating the conversation about diversity and inclusion in order to examine the complexities of intersectionality and non-prototypicality. Black Women’s Experiences of Mistreatment and Withdrawal Presenter: Kathrina Robotham; U. of Michigan Presenter: Veronica C. Rabelo; San Francisco State U. Presenter: Courtney Lynn McCluney; U. of Virginia Darden School of Business Presenter: Kelsie Thorne; U. of Michigan Invisible Discrimination: Divergent Implications for the Non-Prototypicality of Black Women Presenter: Rebecca Ponce de Leon; Fuqua School of Business, Duke U. “Geeky” Rules of the Game: The Effects of Nerd Masculinity on Entrepreneurial Funding Presenter: Soojin Oh; Pennsylvania State U. Presenter: Aparna Joshi; Penn State Smeal College of Business Do White Women Get Away with Racist Speech? The Effects of Identity on Perceptions of Speech Presenter: Barnini Bhattacharyya; Sauder School of Business, U. of British Columbia Presenter: Jennifer L. Berdahl; U. of British Columbia Re-Aligning Multiple Identities by Tweaking Job Advertisement Language Presenter: Joyce He; U. of Toronto Presenter: Sonia Kang; U. of Toronto
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 | 0,014 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,030 | 0,046 |
| Communication savante | 0,017 | 0,009 |
| Science ouverte | 0,002 | 0,027 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».