Demographic diversity, perceived workplace discrimination and workers' well-being: context matters
Notice bibliographique
Résumé
Purpose The main objective of this article is to contribute to the advancement of scientific knowledge on the determinants of perceived workplace discrimination and its consequences on workers' well-being in Canada. Design/methodology/approach The authors used a representative sample of 7,706 workers aged 18 to 65 based on data from the 2016 General Social Survey of Canadians at Work and Home to conduct logistic regression models. Findings Women and visible minorities are at greater risk of perceiving that they have experienced workplace discrimination, but immigrants' perceived workplace discrimination risk is no different from that of non-immigrants. This risk is higher in public administration than in other industries and varies between provinces. Perceived workplace discrimination increases stress and is associated with a lower level of self-reported mental health. Practical implications Since perceived discrimination has a detrimental effect on workers' well-being, organizations should pay special attention to their employees’ perceptions. Relying only on official complaints of discrimination can lead organizations to underestimate this issue because many employees are not inclined to file an official complaint, even if they believe they have been discriminated against. Originality/value The authors findings are original because they suggest that visible socio-demographic characteristics (gender and visible minority) affect perceived workplace discrimination, which is not the case for invisible socio-demographic characteristics (immigrant). They point out that the province of residence is an element of the context to be considered and they indicate that workers in the public sector are more likely to perceive discrimination than those in other industries. These empirical contributions highlight that, despite anti-discrimination laws and government efforts to promote equity, diversity and inclusion, perceived workplace discrimination persists in Canada, particularly among women and visible minorities and it has tangible impacts on the workers' well-being.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».