Breaking Barriers: Navigating Stigma, Identity, and Opportunity for Justice- Involved Workers
Notice bibliographique
Résumé
Justice-involved individuals, those with criminal records, face significant and persistent barriers to employment, often exacerbated by stigma and structural inequities. Despite organizational scholars’ growing interest in understanding labor market inequalities, research has largely focused on race and gender, leaving the unique challenges of this population underexplored. This symposium brings attention to the systemic barriers encountered by justice-involved individuals while examining how stigma interacts with organizational structures, hiring practices, and individual strategies for reintegration. The presentations in this symposium cover diverse dimensions of these challenges. One study investigates how justice-involved individuals navigate the complexities of digital-era job searches, where their criminal records are easily accessible online. Another explores how justice-involved entrepreneurs strategically frame their criminal records in narratives to mitigate stigma and build trust with investors. A third presentation examines hiring managers’ contradictions between their stated support for second- chance hiring and their exclusionary practices, highlighting organizational barriers to equity. The fourth focuses on how incarcerated women reconstruct their professional identities within prison-based work environments, leveraging organizational respect and mentorship to foster resilience and empowerment. Finally, the symposium concludes with a study on how gender moderates the stigma of criminal records in hiring evaluations, revealing compounded penalties for justice-involved women. This symposium seeks to advance theoretical understanding of labor market inequality by centering justice-involved individuals, a historically marginalized population, in organizational research. By offering actionable insights into individual strategies and organizational practices, the symposium provides a foundation for creating more inclusive and equitable labor markets.
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,030 | 0,018 |
| Communication savante | 0,015 | 0,012 |
| Science ouverte | 0,002 | 0,022 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».