Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Au sein des pays de l’OCDE, de nombreux dispositifs destinés à développer le numérique ont été mis en place. Profitant de ce développement technologique, les façons de travailler se diversifient en réponse à la fois au contexte économique (être performant, efficace et efficient) et aux attentes des employés désireux d’une meilleure conciliation entre leur travail et leur vie privée. Le travail à distance s’est accru et prend des formes diverses, telles que le travail à domicile ou la possibilité de travailler hors des murs de son domicile et de son lieu de travail habituel. Cette dernière possibilité peut se concrétiser par la mise en place de tiers-lieux destinés à faciliter la collaboration et le partage des connaissances : espaces de coworking, fab labs, living labs notamment. On observe déjà des implantations de tiers-lieux dans la plupart des pays développés et leur nombre augmente un peu plus chaque année. La recherche sur ces nouvelles formes d’organisation est en pleine effervescence, même si elle est en émergence pour le moment. Notre recherche a pour objet de proposer une synthèse de connaissances sur les tiers-lieux. Les résultats nous permettent désormais de mieux cerner les différences entre ces divers types de lieux et dispositifs. Cet état de l’art a aussi contribué à faire avancer notre réflexion sur leur définition et leur catégorisation. S’il y a un ensemble d’écrits épars sur les tiers-lieux, nos travaux nous ont permis de déceler des manques et insuffisances. Toutefois, les écrits attestent de l’engouement pour ces nouveaux espaces d’échanges et exposent des résultats intéressants quant à l’impact de leur implantation sur les territoires concernés et sur le travail.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle