Diversité des origines en management et enjeux organisationnels créés par les normes : étude de cas en France et au Canada
Bibliographic record
Abstract
La diversité est devenue, au cours des dernières décennies, une préoccupation majeure dans les discours politiques donnant lieu à une prolifération de normes de management. L'objectif de cette thèse est de décrypter le mécanisme de ces normes ainsi que ses effets sur le management de la diversité des origines. Sont abordés à la fois les enjeux organisationnels qui en découlent dans une approche multi-niveau : le siège de l’entreprise, le management de proximité et les employés. Cette recherche puise dans une littérature transdisciplinaire : l’anthropologie et la sociologie afin de saisir le construit de la diversité des origines ; la théorie néo-institutionnaliste sociologique pour comprendre le comportement des entreprises à l’égard des normes de diversité mais aussi la théorie de la coopération et de nombreuses références psychologiques pour découvrir le fonctionnement des équipes. Du point de vue empirique, la thèse offre une analyse comparée internationale. Elle investigue la dynamique organisationnelle de deux sous-unités d’analyse, l’une en France et l’autre au Canada, au sein d'une même entreprise impliquée dans la mise en œuvre de normes de diversité et le management de la diversité des origines.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.018 | 0.009 |
| Scholarly communication | 0.009 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".