Laure Bereni. Le management de la vertu : La diversité en entreprise à New York et à Paris. Paris : Presses de Sciences Po, 2023, 288 p.
Bibliographic record
Abstract
Paru il y a deux ans, le livre de Laure Bereni aborde un sujet dont l'importance n'a fait que grandir par la suite.L'ouvrage explore diverses tensions entourant la gestion de la diversité en entreprise, en particulier les modalités de légitimation de ces pratiques telles que vécues par les gestionnaires.À travers une étude comparative entre les États-Unis et la France, l'autrice situe les efforts des gestionnaires de la diversité dans des contextes historiques et sociopolitiques contrastés.Bereni met en relation les approches des acteurs publics et privés à l'égard des politiques de diversité, l'identité des gestionnaires, et le type d'encadrement de la diversité au sein des entreprises.Le livre présente ainsi une perspective exceptionnelle, intime et sophistiquée sur l'univers élitiste de l'entreprise.Importance et défis L'étude de Bereni, publiée peu après la décision de la Cour suprême des États-Unis abrogeant l'affirmative action 1 , arrive à un moment charnière pour les travaux sur la diversité en entreprise.Bien que les entreprises dans les deux pays ne reflètent pas la diversité de leurs populations, les groupes conservateurs et l'administration Trump ont ciblé les politiques de diversité, d'équité et d'inclusion (DEI) des entreprises 2 .De nombreuses entreprises tendent à se faire
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.003 | 0.007 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.031 | 0.011 |
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".