Understanding the (In)effectiveness of Organizational Diversity, Equity and Inclusion (DEI) Efforts
Notice bibliographique
Résumé
Organizations spend annually billons of dollars on DEI-efforts. These efforts, however, are not always effective. Showcasing cutting-edge research, this symposium seeks to answer a critical question for management scholars: Why do many of these costly and often well-intentioned DEI-efforts fail to deliver and what can organizations do about it? The presentations seek to answer this question by illuminating key factors and mechanisms with regards to the (in)effectiveness of DEI-efforts. The presentations are followed by an integrative moderated discussion with a focus on what future research is needed and how the insights from the presentations can be used to better shape DEI-efforts. You can’t fix what you don’t see: Diversity blind spots reduce support for organizational diversity Author: Linda Nguyen; U. of Washington Author: Serena Does; UCLA Anderson School of Management Author: Miguel Unzueta; U. of California, Los Angeles Author: Sapna Cheryan; U. of Washington The Business Case for Diversity Undermines Women’s Performance During Recruitment Author: Oriane Georgeac; Boston U. Questrom School of Business Author: Aneeta Rattan; London Business School A Path Forward for Diversity Training: Bringing More Diversity Science into Practice Author: Ivuoma Ngozi Onyeador; - Author: Hannah McKinney; Boston U. Author: Ashley E. Martin; Stanford Graduate School of Business Gender neutral = Masculine Author: Adriana Germano; Yale School of Management Author: Kristina Olson; Princeton U.
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 | 0,059 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,018 |
| Communication savante | 0,017 | 0,016 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».