Organizational Practices and Labor Market Inequality
Notice bibliographique
Résumé
This symposium investigates how organizational structures and practices shape labor market inequalities, featuring four cutting-edge studies that illuminate the mechanisms fostering or hindering inclusion. It offers two unique contributions to this critical conversation. First, the papers explore a range of mechanisms—including applicant interviews, referral-based hiring, task allocation, and promotion systems—that directly affect career trajectories for members of URGs. By uncovering these processes, the studies offer actionable strategies for recalibrating organizational practices to achieve more equitable outcomes. Second, the papers draw on a diverse array of data sources and empirical settings, ranging from startups to established firms and from academic job seekers to corporate leadership, leveraging both quantitative and qualitative methods. This breadth ensures a nuanced and comprehensive understanding of how organizational practices operate in varied contexts. Do Employers Change their Recruitment Choices Based on Past Interview Outcomes Author: Santiago Campero Molina; University of Toronto Strength in Numbers: Under-Represented Groups, Social Capital and Getting a Referral in Big Tech Author: Elena Obukhova; McGill University Author: Sharon Koppman; University of California Irvine Belonging in the Balance: Networks, Demographics, and the Making of Organizational Identity Author: Brandy Aven; Author: Evelyn Ying Zhang; Nanyang Technological University Premium or Penalty? Differential Effects of Gender and Race on Internal Promotions to Top Management Author: Tiantian Yang; University of Pennsylvania
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».