Bibliographic record
Abstract
Les sciences de la gestion américaines sont à l’heure d’un bilan : quelle est l’efficacité du programme diversité, équité, inclusion (DEI, anciennement D&I) et des programmes similaires adoptés, selon Leslie Sklair, dès les années 1990 par les entreprises globales de haut niveau ? Comment « l’industrie DEI » et « les nouvelles professions de la DEI » pourront-elles généraliser l’augmentation de la compétiti- vité des organisations qui pratiquent la diversité de genre (+21 %) ou la diversité ethnique et de genre (+33 %), ou la capacité des équipes diversifiées (selon l’âge, le genre et l’ethnie) de prendre de meilleures décisions (dans 87 % des cas), comme le soutient le cabinet de consultants internationaux Global Diversity Practice ? Comment les performances des CDO (chief diversity officers) se traduisent-elles dans la société quand on sait que 35 % des investissements émotionnels (?!) des employés sont associés au sentiment d’être inclus, selon une étude de la firme Catalyst en 2020 ? C’est sur le fond de la multiplication des cabinets de tuteurs, de mentors et de coachs internationaux qui implantent ces pratiques managériales que l’article examine les transformations sociales et politiques plus générales qui ont rendu possible la convergence (et la confusion) entre un programme de gestion du personnel visant à accroître les rendements et une quête morale qui tend à légiti- mer une nouvelle forme (verticale) de la démocratie sociale.
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 | 0.010 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.039 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.009 |
| Insufficient payload (model declined to judge) | 0.008 | 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".