La diversité raciale : une bénédiction pour les organisations ? Analyse de ses conséquences organisationnelles dans les services de police municipaux
Bibliographic record
Abstract
Dans la présente étude, qui porte sur la diversité ethnique et raciale, nous vérifions une hypothèse implicite formulée par d’autres études sur la diversité, selon laquelle une main-d’œuvre diversifiée travaille mieux et profite davantage aux organisations. Sur la base des données issues de 464 services de police de villes de plus de 50 000 habitants, la présente étude constate une baisse des résultats en matière de lutte contre la criminalité et une augmentation des mouvements de personnel en présence d’une main-d’œuvre plus diversifiée. Selon les observations de notre étude, les responsables ont tout intérêt à envisager de mettre en place des pratiques de gestion de la diversité afin de limiter les conséquences négatives de la diversité tout en préservant et en renforçant ses bienfaits et de faire en sorte que cette diversification du personnel favorise l’amélioration de la productivité organisationnelle. Remarques à l’intention des praticiens Selon les observations de notre étude, les responsables ont tout intérêt à envisager de mettre en place des pratiques de gestion de la diversité afin de limiter les conséquences négatives de la diversité raciale tout en préservant et en renforçant ses bienfaits et de faire en sorte que cette diversification du personnel favorise l’amélioration de la productivité organisationnelle.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".