MétaCan
Menu
Retour à la cohorte
Enregistrement W3203215810 · doi:10.5465/ambpp.2021.12524symposium

The Promises and Pitfalls of Diversity and Inclusion in Organizations and Society

2021· article· en· W3203215810 sur OpenAlexaffabout
Ivuoma N. Onyeador, Ezgi Ozgumus, Sandra Portocarrero, Aneeta Rattan, Brittany Torrez

Notice bibliographique

RevueAcademy of Management Proceedings · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGender Diversity and Inequality
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésInclusion (mineral)Diversity (politics)Public relationsEquity (law)Political scienceSociologyEnvironmental ethicsSocial scienceLaw

Résumé

récupéré en direct d'OpenAlex

Despite efforts to diversify organizations and move toward a more antiracist society, progress toward these noble goals remains elusive and, often, misunderstood (Dobbin, Kim, & Kalev, 2011; Kraus, Rucker, & Richeson, 2017; Opie & Roberts, 2017; Williams, 2001). Historically underrepresented groups still struggle to integrate into, persist in, and feel included within organizational cultures (Acker, 2006; Ray, 2019; Rivera & Tilcsik, 2016). Corporate leaders continue to make racially biased statements, which observers can meet with intolerance and indignance. Furthermore, despite the amount of time, resources, and money put forth to create a more inclusive workplace and world, there is a lack of understanding surrounding what strategies are effective and why (Kalev, Dobbin, & Kelly, 2006). Considering the current dynamics of our society, organizational leaders are in need of consensus to create effective and sustainable diversity, equity, and inclusion initiatives. In this symposium, we consider the challenges, constraints, and possibilities within efforts to create a more diverse and inclusive society. We hope to suggest practical pathways forward to engage with and bring managers back into these conversations. What organizational policies and practices impede progress toward diversity and inclusion of underrepresented groups, such as women and racial minorities? What psychological processes predict whether onlookers respond to the prejudiced corporate leader with intolerance or forgiveness? How are diversity and inclusion personnel, particularly workers of color, enabled and constrained in their ability to improve the climate of a large-scale organization such as a university? These are a few of the questions our presenters will answer in this symposium on the promises and pitfalls of diversity and inclusion in organizations and society. Racialized Expertise and the Enabling and Constraining Character of Organizations Presenter: Sandra Portocarrero; Columbia U. Maternity Salience: How Concerns About Women’s Family Demands Undermine Fair Treatment Presenter: Ezgi Ozgumus; London Business School Presenter: Aneeta Rattan; London Business School Bias Intolerance: Predicting Condemnation of Apologetic Perpetrators of Prejudice Presenter: Ivuoma Onyeador; Northwestern Kellogg School of Management Presenter: Rebecca Neel; U. of California, Riverside - Anderson Graduate School of Management Presenter: Bethany Lassetter; U. of Toronto Presenter: Andre Wang; U. of California, Davis Presenter: Andrew Todd; U. of California, Davis Presenter: Jenessa Shapiro; U. of California, Los Angeles The Misperception of Progress Toward Diversity, Equity, and Inclusion in Organizations Presenter: Brittany Torrez; Yale U. Presenter: LaStarr Hollie; Yale School of Management Presenter: Michael W. Kraus; Yale School of Management

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,033
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,177

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0330,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0220,070
Communication savante0,0250,035
Science ouverte0,0020,031
Intégrité de la recherche0,0050,012
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,052
Tête enseignante GPT0,281
Écart entre enseignants0,229 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations3
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetGender Diversity and InequalityTravaux en français237 207