Accès à l'égalité et gestion de la diversité : une jonction indispensable
Bibliographic record
Abstract
Résumé L’égalité professionnelle pour les femmes et les membres des minorités visibles s’avère encore aujourd’hui un défi à relever malgré la législation qui instaurait des programmes d’accès à l’égalité au milieu des années 1980. Cet article vise à comprendre la lente progression dans les effets des programmes d’accès à l’égalité imposés par le législateur à certaines organisations. Tout d’abord, nous définissons la nature et les objectifs des programmes d’accès à l’égalité. Ensuite, nous appuyant sur des entretiens menés auprès de gestionnaires d’entreprises de la région métropolitaine de Montréal ayant un programme d’accès à l’égalité, nous précisons, d’une part, les nombreux bénéfices qu’ils attribuent au fait de se doter d’une main-d’œuvre plus représentative de la société et, d’autre part, les mesures qu’ils prennent effectivement pour leur organisation en vue de se doter d’une main-d’œuvre plus diversifiée. Il ressort de l’analyse des entretiens que trois grands facteurs expliquent le peu de mesures implantées pour favoriser la diversité, alors qu’elle est pourtant associée à de nombreux avantages, soit la présence de préjugés et de stéréotypes, l’absence d’une formation sérieuse et approfondie ainsi que l’absence d’engagement de la part des dirigeants. Enfin, nous insistons sur l’importance cruciale d’adopter une véritable gestion de la diversité pour favoriser le succès des programmes d’accès à l’égalité.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.010 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".