Looking Beyond the Numbers: New Approaches to Understanding Organizational Inequality and Exclusion
Notice bibliographique
Résumé
In recent decades, organizations big and small, public and private, and across numerous industries have made efforts to increase diversity, equity, and inclusion. At the same time, researchers have documented the many ways in which organizations continue to be fundamentally unequal in their treatment of members from historically underrepresented groups, including women and racial and ethnic minorities. There is a growing consensus among researchers that simply increasing the numbers of members from historically underrepresented groups in organizations (achieving “representational diversity”) will ultimately be insufficient to fundamentally improve equity and inclusion within organizations. This symposium brings together leading scholars of organizational inequality who span micro and macro perspectives to interrogate why simply “adding diversity and stirring” will not be enough to address lasting concerns of organizational equity and inclusion. Specifically, the four papers in this symposium utilize multiple complementary methodologies—ranging from natural language processing of historical texts to attitudinal surveys to video experiments—to shed new light on the mechanisms that continue to uphold inequalities even in the face of changing numeric representation of minoritized groups. The Stability of Stigma: Testing Mechanisms of Negative Stereotype Persistence Across 100 Years Author: Tessa Charlesworth; Northwestern Kellogg School of Management Author: Mark HATZENBUEHLER; Harvard U. Defending White Hegemonic Masculinity: A Test of the Projective Identification Hypothesis Author: Robin J. Ely; Harvard Business School Author: Sanaz Mobasseri; Boston U. Questrom School of Business Author: Ivuoma Ngozi Onyeador; - Demographic Similarity, Protective Socialization: Paradox of Punishment in Racialized Organizations Author: Jayanti Owens; Yale School of Management Race and Evaluations of Misconduct in Organizations Author: Mabel Abraham; Columbia Business School Author: Erica Bailey; Haas School of Business, UC Berkeley
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,008 | 0,056 |
| Communication savante | 0,010 | 0,031 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,006 |
| 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 ».