Diversité des origines en management et enjeux créés par les normes : étude de cas en France et au Canada
Bibliographic record
Abstract
La diversite est devenue, au cours des dernieres decennies, une preoccupation majeure dans les discours politiques donnant lieu a une proliferation de normes de management. L'objectif de cette these est de decrypter le mecanisme de ces normes ainsi que ses effets sur le management de la diversite des origines. Sont abordes a la fois les enjeux organisationnels qui en decoulent dans une approche multi-niveau : le siege de l’entreprise, le management de proximite et les employes. Cette recherche puise dans une litterature transdisciplinaire : l’anthropologie et la sociologie afin de saisir le construit de la diversite des origines ; la theorie neo-institutionnaliste sociologique pour comprendre le comportement des entreprises a l’egard des normes de diversite mais aussi la theorie de la cooperation et de nombreuses references psychologiques pour decouvrir le fonctionnement des equipes. Du point de vue empirique, la these offre une analyse comparee internationale. Elle investigue la dynamique organisationnelle de deux sous-unites d’analyse, l’une en France et l’autre au Canada, au sein d'une meme entreprise impliquee dans la mise en œuvre de normes de diversite et le management de la diversite des origines.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.018 | 0.009 |
| Scholarly communication | 0.009 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".