La « diversité » comme capital
Bibliographic record
Abstract
Dans les discours néolibéraux sur le travail, les travailleurs sont imaginés comme des faisceaux de compétences, certaines étant dites « formelles » (le savoir et les techniques), d’autres « informelles » (les aptitudes et les caractéristiques sociales). Dans cette conception, tout attribut pensé en termes de travail productif, même les différentes formes de se comporter socialement, peut être considéré comme une compétence. En particulier, les marqueurs de différences sociales peuvent être considérés comme des compétences, y compris les marqueurs raciaux, ethniques et linguistiques, pour autant qu’on puisse supposer qu’ils apportent une valeur à l’entreprise. Des différences que l’on pourrait par ailleurs interpréter comme des indications de race, d’ethnicité ou d’identité nationale sont ré-imaginées comme des propriétés appartenant à des individus. De plus, les salariés sont rendus responsables de la conversion de leurs propres marqueurs de désavantage social en marqueurs de valeur ajoutée. De manière générale, les différences langagières et raciales/ethniques fonctionnent de manière complémentaire dans le monde du travail issu de la globalisation : les différences linguistiques opèrent comme des compétences « formelles » et les caractéristiques sociales identitaires de la « diversité » comme des compétences « informelles ».
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.011 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".