Développer des communautés de personnes pour manager la diversité en entreprise
Bibliographic record
Abstract
Le but de cet article est de montrer comment la notion de communauté de personnes peut permettre d’éclairer la gestion de la diversité, notamment en ce qui a trait à l’intégration de la main-d’œuvre issue de l’immigration dans les organisations. Au niveau méthodologique, nous nous situons dans une épistémologie constructiviste pragmatique qui permet de construire des savoirs génériques. La fertilisation croisée de trois types d’informations (entrevues, autopraxéographie et données secondaires) a permis de montrer que des pratiques de gestion des personnes qui favorisent l’ouverture à l’autre par la mise en œuvre d’actions de tutorat, de coaching, de parrainage, de compagnonnage et d’activités liées à des comités sociaux à l’égard des immigrants permettent aux organisations d’obtenir un environnement inclusif. En retour, l’implication des personnes immigrantes favorise le partage interculturel. La prise de conscience des employeurs que l’immigrant est une personne, une individualité, un « je », mais aussi un « nous » puisqu’il partage des idées, des buts communs appartenant à la communauté (organisation) permet une meilleure intégration au sein de celle-ci. Ainsi, la communauté de personnes devient une communauté de partage des idées, des valeurs et des intérêts. Les savoirs, tels le savoir-faire, le savoir-être et le savoir-devenir, s’en trouvent bonifiés.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".