Bibliographic record
Abstract
우리 나라가 국민 소득 2만불 시대로 접어들고 있는 시점에 국가 경쟁력의 강화를 위해 여성인력을 적극적으로 활용해야 된다는 명제는 여성 차별의 해소라는 명분론 차원뿐 아니라 기업의 경쟁력 강화에 기여할 수 있다는 실리적 논리를 근거로 한 것이다. 그럼에도 불구하고 이를 실행하려는 기업의 노력이 미흡한 실정이다. 본 연구는 기업에서 일하는 여성인력의 경력개발과 관련하여 현황과 문제점을 분석하고, 이를 타개하기 위한 종합적 개선 방안을 제시하는 데 그 목적이 있다. 먼저 본 연구는 여성의 경력개발과 관계된 이론의 종합적 정리를 시도하였다. 현황 분석은 여성의 노동시장 참여와 관계된 양적 지표와 기업의 인적자원관리 관행에서의 남녀 차별 실태, 그리고 조직문화의 현황을 기존의 통계 및 연구 자료를 토대로 하였다. 분석 결과 기업 여성인력의 경력개발을 저해하는 문제의 핵심은 남성 중심의 차별의식이 조직의 인적자원관리 과정에서의 차별로 이어진다는 것을 확인할 수 있었다. 여성의 경력개발 활성화를 위한 개선 방안은 그 기본 방향을 개인의 다양성 존중, 직장생활의 질 향상, 조직 경쟁력의 강화로 설정한 후, 조직 차원, 사회 차원, 그리고 개인 차원으로 구분하여 제시하였다. 또한 여성의 경력개발과 관계된 외국의 모범사례로 두 기업(Bank of Montreal, Motorola)의 추진 경과를 요약하여 소개하였다. 끝으로 결론 부분에서 연구의 시사점과 제한점을 기술하였다.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.032 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".