Recognizing, Measuring, and Addressing Racial Biases in Organizations
Notice bibliographique
Résumé
Institutions around the world are focusing increasingly on issues of diversity, equity, and inclusion (DEI), not just to improve organizational performance, but also as a means of delivering positive societal impacts by ameliorating barriers and providing opportunities to members of hitherto marginalized groups (DEI, 2022a; Gabriel et al., 2022; Roberson, 2019, 2022). And while the management field has made progress in advancing our understanding of DEI-related issues, much more is needed if we are to effectively answer this “grand challenge” (Benschop, 2021; George et al., 2016; Hideg et al., 2020). This presenter symposium presents novel approaches to help advance management research and practice by recognizing, measuring, and addressing racial biases in organizations. Together, the five papers identify how racial biases continue to influence business schools today (Ramani, McGinley, & Desir), how intersectionality of gender and racial stereotypes about Asians affects organizational employees (Khatija & Bilimoria), and in particular female professors (Radhakrishnan, Romain, Thavarajah, & Huang), how subtle acts of racial discrimination (i.e., microaggressions) are enacted in the workplace (Harmata), and how employees adopt particular behaviors in response to these discriminatory acts (Lumbreras, Melson-Silimon, Robertson, & Outland). Overall, the symposium provides new perspectives on how racial and gender biases affect minority employees, and offers recommendations for future research as well as practical advice for organizations seeking to address such issues. Recognizing, Measuring, and Addressing Racial Biases in Organizations Author: Ravi Ramani; Morgan State 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 | 0,052 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».