Diversity Dilemmas: Examining the Antecedents and Aftermath of Pro-DEI Behaviors
Notice bibliographique
Résumé
Despite support for diversity, equity, and inclusion for both moral and financial reasons, only 12% of Fortune 100 CEOs are women, and only 14% are non-White (Heidrick & Struggles, 2022). Even in 2017, 42% of women say they’ve faced gender discrimination at work, and in 2020 about 25% of Black and Hispanic individuals reported experiencing discrimination in their workplace (Reiners, 2022). As a society, we have a long way to go in order to understand why our pro-DEI beliefs fail to line up with the current reality of our organizational world, and to ensure greater efficacy in our practices around diversity, equity, and inclusion. In this symposium, we offer five presentations that provide empirical tests of the antecedents (Presentations 1 & 2) and consequences (Presentations 3, 4 & 5) of pro-DEI behavior in organizations. This work builds upon existing theoretical frameworks on the antecedents (e.g., motivations; Radke et al., 2020) and consequences (e.g., impact; Selvanathan, Lickel, & Dasgupta, 2020) of pro-DEI behaviors, while empirically adding to our knowledge in several organizational literatures including those on motivation, hierarchy maintenance, and intersectionality. In a world where both individuals and organizations routinely engage in behavior to promote diversity, equity, and inclusion, our hope is that this collective work will illuminate both the antecedents and consequences of these pro-DEI behaviors. Demographic Characteristics Shape Perceptions of Diversity Expertise Author: Rebecca Ponce de Leon; Columbia Business School Author: James T. Carter; Columbia Business School Friend or Faux: Performative Wokeness and Signaling One's Awareness of Social Issues Author: Preeti Vani; Stanford Graduate School of Business Author: Peter Belmi; U. of Virginia Author: Gabrielle Adams; U. of Virginia Employee Perceptions of White and Racial Minority Leaders who Remain Silent on Racial Equity Issues Author: McKenzie Preston; The Wharton School, U. of Pennsylvania Author: Richard Burgess; U. of Pittsburgh How Organizational Data Analysis Practices Conceal Racialized Gender Differences in Belonging Author: Ezgi Ozgumus; London Business School Faculty Evaluations in the Age of COVID: Evidence from the Field Author: Lauren A. Rivera; Northwestern Kellogg 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 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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».