More women, more money? The impact of discourse on legal and regulatory initiatives regarding women on corporate boards
Notice bibliographique
Résumé
The advancement of women on corporate boards is an oft-discussed social issue in many countries. Little existing scholarship, however, compares the nature of legal and regulatory initiatives across international jurisdictions. Similarly, although there is a plethora of research into the potential economic benefits of increasing the number of women on corporate boards, almost none of the academic literature explicitly considers the nature of the arguments used to support measures to further this goal. This thesis addresses such shortcomings by examining common threads in the arguments around gender diversity on corporate boards and applying doctrinal analysis to characterise the existing (and some proposed) legal and regulatory initiatives that have sought to address the issue. This forms the basis of an exploration of the relationship between the discourses that frame the debate regarding women on corporate boards and the various policy interventions introduced to advance that goal. The thesis uses case studies to trace the relationship between discourse and policy in four countries: Norway, Canada, the United Kingdom and Australia. Analysis of these relationships highlights the complex interplay between discourse and policy implementation and points to three significant conclusions. Firstly, the primary discourses surrounding women on boards are worth attention in their own right. Secondly, discourse affects policy. The assumptions inherent in dominant discourses can pre-emptively exclude certain policy initiatives from consideration, even causing advocates to undermine their own stated aims. Thirdly, and most encouragingly, the resulting analyses likewise suggest that policy initiatives and regulatory measures, once implemented, can impact on discourses and even public attitudes.
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 | 0,014 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,035 |
| Communication savante | 0,015 | 0,012 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| 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 ».