35a - Supporting women in mining: diversity and inclusion
Notice bibliographique
Résumé
Abstract Traditionally, the mining sector has not been viewed as a leader in effectively managing diversity and inclusion. While numbers have improved, women continue to be underrepresented at every level within mining companies. Currently, the mining sector is committed to increasing diversity and improving inclusion. Globally, mining has set gender-based targets for the sector. They are actively investing in the success of women in mining and jurisdictions and organizations are tracking and reporting on diversity and inclusion performance. Mining organizations are engaged in improving inclusion-related efforts that promote the sense of belonging for workers. Why is diversity and inclusion important to mining? Diversity and inclusion promote creativity and strategic resilience. This is important as mining companies manage the complex challenges associated with community, environmental, social (including health and safety), and technical aspects of their industry. With increasing numbers of women in surface and underground mining and processing operations, a strategy is needed to better support these workers including their health, safety, and well-being, including reproductive health. This presentation will review the history of women in mining, challenges for women to access decent work in mining, suggestions that support recruiting and retaining women in the sector, and the path forward towards gender equality in mining. The importance of advancing equal employment opportunity and human rights in the workplace will be highlighted, along with the need for additional research to support women’s reproductive health and mitigate the risk of adverse reproductive outcomes. The next presentation will cover in more depth this latter topic.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».