Sexisme på arbejde:Genkend, forebyg og håndtér
Bibliographic record
Abstract
<i>Sexisme på arbejde</i> 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. <br/>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 arbejdspladsen som helhed. <br/><i>Sexisme på arbejde</i> 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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.008 | 0.011 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.007 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.646 | 0.294 |
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; both teacher heads agree on what is shown here.
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".