DEI Practices in Organizations: Effectiveness, Impact, and Unintended Consequences
Notice bibliographique
Résumé
This symposium examines the complex and often contradictory nature of addressing workplace inequities through diversity initiatives. Organizations are increasingly investing in diversity and inclusion (D&I) efforts, as evidenced by the prevalence of Chief Diversity Officers and comprehensive diversity training programs among Fortune 1000 companies. These efforts represent a deliberate strategy to cultivate equitable and inclusive workplaces. However, the symposium emphasizes the necessity of evaluating the impact of these practices to ensure they contribute to real and sustainable change, rather than being mere symbolic gestures. The studies featured explore the complex dynamics of workplace inequities and the often paradoxical outcomes of well-intentioned D&I efforts. These studies employ various methods such as surveys, audit studies, and experiments to assess organizational policies across different contexts. Key findings include: 1) Gender differences in EEOC judgments of merit, with claims filed by women in masculine industries more likely to be granted merit. 2) The impact of free speech appeals on reducing accountability for workplace bias, highlighting a failure in achieving D&I goals. 3) The concept of strategic ignorance in sexual harassment claims, indicating that claims of ignorance may not always be made in good faith. 4) The effectiveness of positive versus negative feedback in motivating equitable behaviors among city councilors. 5) The exploitation of first-generation college students in organizations due to positive stereotypes. These studies collectively reveal the intricate nature of addressing workplace inequities, underscoring the need for more nuanced and effective strategies in fostering true equity and fairness in the workplace. He Said She Said: How Gender Relates to Judgments about the Merit of Workplace Accusations Author: Grusha Agarwal; U. of Toronto, Rotman School of Management Author: Chloe Kovacheff; U. of Toronto Author: Rachel Lise Ruttan; U. of Toronto Author: Gabrielle Adams; U. of Virginia Darden School of Business Author: Katherine Ann DeCelles; U. of Toronto What About My Free Speech? Appeals to Free Speech Reduce Accountability for Workplace Bias Author: Ivuoma Ngozi Onyeador; - Author: Felix Danbold; UCL School of Management Playing Dumb: Strategic Ignorance about what Constitutes Sexual Harassment Author: Natalya Alonso; Beedie School of Business Simon Fraser U. Author: Zhanna Lyubykh; Beedie School of Business Simon Fraser U. Author: Sandy Hershcovis; U. of Calgary What motivates equitable behavior? The effects of positive & negative feedback in the domain of bias Author: Erika Kirgios; U. of Chicago Booth School of business Author: Edward Chang; Harvard Business School The Heroization and Exploitation of First-Generation College Students Author: Shuang Wu; Rady School of Management, U. of California San Diego Author: Peter Belmi; U. of Virginia
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 | 0,039 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».