Debating affirmative action : conceptual, contextual, and comparative perspectives
Notice bibliographique
Résumé
1. Justifying Affirmative Action: Perception and Reality. (Aileen McHarg, Donald Nicolson). 2. Positive Action for Women in Employment: Time to Align with Europe? (Noreen Burrows, Muriel Robison). 3. Affirmative Action in Women's Employment: Lessons from Canada. (Nicole Busby). 4. Affirmative Action: A German Perspective on the Promotion of Women's Rights with Regard to Employment. (Anke J. Stock). 5. Widening Participation and Higher Education. (Lois S. Bibbings). 6. Preferential Treatment, Social Justice, and the Part-time Law Student - The Case for the Value-added Part-time Law Degree. (Andrew M. Francis, Iain W. McDonald). 7. Affirmative Action in the Legal Profession. (Donald Nicolson). 8. Rethinking the Merit Principle in Judicial Selection. (Kate Malleson). 9. Quotas for Women! The Sex Discrimination (Election Candidates) Act 2002. (Aileen McHarg). 10. Minority Business Enterprise Programmes in the United States of America: An Empirical Investigation. (Martin J. Sweet). 11. Is There a Duty to Legislate for Linguistic Minorities? (Robert Dunbar)
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 | 0,032 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,014 | 0,149 |
| Communication savante | 0,024 | 0,028 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».