The overlooked workforce: Harnessing the talent of people with criminal histories
Notice bibliographique
Résumé
Amid growing labor shortages and increased attention to workplace equity and inclusion, organizations are seeking new strategies to expand the available talent pool. One often-overlooked source of skilled and ready workers is individuals with a criminal record. Despite their potential, this group continues to face persistent barriers to employment, including stigma, ambiguous perceptions of risk, and the absence of structured hiring practices. While employer interest in fair-chance hiring is on the rise, actual outcomes remain limited. This article turns the focus toward employers themselves, drawing on nearly a decade of research and empirical analysis to explore the disconnect between stated openness and hiring behavior. We find that informal decision-making, reputational concerns, and subjective assessments of character and “fit” often override qualifications, perpetuating exclusion. To address this, we highlight the promise of a skills-based approach to hiring, one that prioritizes competencies over background. We outline actionable strategies for equitable hiring that include: formalizing fair-chance policies, training for bias awareness, and instituting transparent, criteria-based hiring processes. By reimagining risk and redefining merit, organizations can access untapped talent and take concrete steps toward more inclusive and effective workforce practices. • Employers support fair-chance hiring in principle, but hesitate to offer meaningful opportunities in practice. • We identify four key themes shaping employer decisions: Criminality, Employability, Work and Occupation, and Safety. • Exclusion is reinforced through subjective assessments and informal hiring practices. • We offer evidence-based, skills-focused strategies to help organizations implement fair chance hiring.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,013 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,020 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».