Researching Wrongdoing and Irresponsibility Using Historical and Retrospective Approaches
Notice bibliographique
Résumé
This presenter symposium provides a space for scholars from different areas of the Academy to come together to explore the potential gaps, linkages, and overlaps that exist at the intersection of research on organizational wrongdoing and irresponsibility and a methodological or conceptual engagement with the past. Specifically, we draw on a range of divisional experiences and approaches to explore (i) how organizations account for and manage their problematic past and (ii) the role memories and memory work play in historical and ongoing cases of wrongdoing. In doing so, the symposium will highlight the particular affordances and challenges that the past represents for understanding and tackling wrongdoing and irresponsibility. Three presentations will demonstrate specific historical and retrospective approaches, showing their potential value to organizational wrongdoing and irresponsibility research. Finally, we provide a space for dialogue on future directions and opportunities that stem from the intersection of these themes. Working Between Two Scaffolds: The Memory of Corporate Irresponsibility in an MNE Author: Andrew D A Smith; Birmingham Business School, U. of Birmingham, UK Author: Emily Buchnea; Newcastle Business School, Northumbria U. Author: Nicholas Wong; Newcastle Business School, Northumbria U. Author: Ian Jones; U. of York, UK Corporate Historical Integrity: The Financial Industry and Slavery (WITHDRAWN) Author: Sarah Federman; U. of San Diego Memory work following Corporate Social Irresponsibility: Learning from Mariana Dam Break in Brazil Author: Hamid Foroughi; Warwick Business School Author: Rajiv Maher; EGADE Business School, Tecnologico de Monterrey Forgetting and Remembering the Early Histories of Women in the Royal Canadian Mounted Police Author: Ellen Shaffner; Mount Saint Vincent 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 | 0,022 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,013 | 0,033 |
| Communication savante | 0,016 | 0,026 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».