Aanneemgedrag van werkgevers omtrent mensen met een beperking begrijpen en veranderen
Bibliographic record
Abstract
Aanneemgedrag van werkgevers omtrent mensen met een beperking begrijpen en veranderen Mensen met een beperking worden vaak niet aangenomen. Beleidsmaatregelen proberen hierop in te spelen. Maar pakken deze maatregelen de juiste oorzaken aan? In dit artikel geven wij aan de hand van een literatuurstudie een overzicht van de capaciteiten, mogelijkheden en motivaties die werkgevers nodig hebben om mensen met een beperking aan te nemen. Daarnaast testen we met een vragenlijst welke beleidsmaatregelen draagvlak genieten onder werkgevers. Onze literatuurstudie toonde aan dat de drie meest genoemde barrières voor werkgevers waren (1) het idee dat mensen met een beperking niet productief zijn, (2) dat zij veel geld kosten en (3) een gebrek aan kennis over beperkingen onder werkgevers. De drie meest besproken stimulansen waren (1) pro-sociale motivatie, (2) werken binnen een grote organisatie en (3) het verwachten van een concurrentievoordeel. Uit onze vragenlijst bleek dat een training over de omgang met mensen met een beperking en proefplaatsingen als het meest positief werden gezien.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.097 | 0.022 |
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".