MétaCan
Menu
Retour à la cohorte
Enregistrement W3134028591 · doi:10.31235/osf.io/hbj9k

The Intersection of Race and Gender in Leadership of Cooperatives in North America: Of whom, By whom, and For whom?

2019· article· en· W3134028591 sur OpenAlexaff
Ushnish Sengupta

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCooperative Studies and Economics
Établissements canadiensInstitute for Christian StudiesYork UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésRace (biology)Equity (law)IndigenousPopulationIntersection (aeronautics)Political scienceEconomic growthSociologyGender studiesGeographyEconomicsDemography

Résumé

récupéré en direct d'OpenAlex

This paper describes the intersection of class, gender and race in the leadership of cooperatives in North America. Movement of labour across North American borders changes the membership of cooperatives as well as the leadership and formation of cooperatives. The socio-economic shifts that affect cooperatives are also accompanied by marginalization of particular populations, including Indigenous communities and racial minorities. International cooperative principles remain ideals to aspire to rather than a reality in practice. Although women and racial minorities have made some advances in equity in cooperatives, racialized women in particular are not represented in leadership positions in cooperatives in proportion to membership in the broader population. On an optimistic note, cooperatives continue to be more egalitarian organizations than other types of organizations and therefore have the potential for leading as positive role models, addressing the intersection of gender and race for other organizations to follow. Women leading cooperatives will form different types of cooperatives than men leading cooperatives in the same industry. Additionally women of colour leading cooperatives will form different types of organizations than traditional cooperatives, providing for enriched plurality of organizational forms required for addressing complex socio-economic problems.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,132
Score d'incertitude au seuil0,589

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,234
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCooperative Studies and EconomicsTravaux en français237 207