Sexisme på arbejde:Genkend, forebyg og håndtér
Bibliographic record
Abstract
SEXISME PÅ ARBEJDE er skrevet til ansatte og ledere på danske arbejdspladser, der ønsker at være en del af løsningen, men som samtidig er i tvivl om, hvordan vi kommer sexisme til livs. Bogen introducerer, definerer og demonstrerer, hvordan sexisme fungerer og kommer til udtryk. Hvad enten du er leder, HR-medarbejder eller ansat, får du redskaber og metoder til at forebygge og håndtere sexisme på arbejdspladsen. Bogen tager afsæt i over 800 vidnesbyrd, som er indsamlet, da #metoo-bølgen skyllede ind over det danske arbejdsmarked i 2020. Her dokumenterer hundredvis af akademikere på alle niveauer og fra samtlige danske universiteter, at sexismen trives i bedste velgående i akademia. Med dette stærke blik for sexisme, som den kan komme til udtryk og virke og opleves i alle mulige arbejdssituationer, præsenterer bogen ny viden om årsager til, effekter af og løsninger på sexisme. Både for den enkelte og for arbejdspladsensom helhed. SEXISME PÅ ARBEJDE viser, hvordan vi alle er involveret, også uden at tænke over det – og samtidig giver den redskaber til at skabe et arbejdsklima med trygge, respektfulde rammer, der sikrer alle ansatte, uanset køn, alder, ansættelse og position.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.064 | 0.016 |
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".