Best Practice or Buzzword? the Opportunities and Challenges of Mentorship for EDI in Creative Technology
Notice bibliographique
Résumé
ABSTRACT This paper explores mentorship as a much‐celebrated strategy for improving equity, diversity, and inclusion (EDI) across a range of exclusionary working sectors. As a tactic for addressing underrepresentation and scaffolding entry, progression, and success within historically homogenous industries, mentorship is seen as a normatively beneficial practice. Yet, despite its association with greater opportunities and potential for breaking barriers, mentorship is rarely defined and how it is enacted is typically absent from discussion. Our research project tackles this ambiguity on the impact of mentorship for EDI aims and values, with a specific focus on creative and technological industries where exclusions in participation remain pernicious. Drawing on critical feminist analysis of public‐facing materials about mentorship in these sectors and 40 interviews with mentorship program organizers and creative tech workers who have engaged in mentorship relationships, we outline the characteristics of mentorship activities from the perspective of three key stakeholders in EDI‐ corporate units such as employee resource groups, third‐party companies who provide mentorship services to organizations and individuals, and community groups featuring mentorship as part of their activities. Our exploration of these three distinct models of mentorship demonstrates that the context where these activities are organized shapes their implementation, evaluation, and overall potential impacts, including for intersectional feminist aims. We conclude by arguing for the value of communal‐based approaches to mentorship for more transformative outcomes related to equity, diversity, and inclusion.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,005 |
| 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 ».