Leveraging DEI to Enhance Collective Creativity and Organizational Learning at Jiva Consulting
Notice bibliographique
Résumé
This thesis explores how diversity, equity, and inclusion (DEI) can support the learning organization at Jiva Consulting, a small Calgary-based firm specializing in knowledge transfer within the energy industry. Grounded in a constructivist paradigm and guided by Appreciative Inquiry methodology, the research engaged current Jiva team members through a focus group, semi-structured interviews, and a collaborative dissemination process. The inquiry was guided by the central question: How might DEI be leveraged to enhance collective creativity and support Jiva Consulting as a learning organization? Six findings emerged, highlighting the importance of intentional DEI practices, distributed leadership, psychological safety, curiosity, vulnerability, and the influence of early socialization on equity values. These findings informed a set of prioritized, participant-informed recommendations designed to integrate DEI more deeply into Jiva’s organizational strategy, team dynamics, and learning systems. Key conclusions emphasized the importance of cultural alignment, shared accountability, and reflective leadership practices in sustaining DEI momentum. The inquiry also surfaced broader personal and systemic themes, including the emotional labour of inclusion, the role of family in shaping equity values, and the complexity of hiring for difference. Through this process, DEI was affirmed not as a discrete initiative, but as a relational and evolving practice embedded in how people learn, lead, and belong together. The thesis concludes with reflections on learning as ceremony, the role of community, and the possibility that meaningful change begins not with knowing, but with curiosity and care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».