Who to Inspect? Using Employee\nComplaint Data to Inform Workplace\nInspections in Ontario
Notice bibliographique
Résumé
En Ontario, comme dans plusieurs autres provinces, l’application des normes d’emploi comporte la conduite d’enquêtes à la suite de plaintes formulées par des employés et, dans une moindre mesure, la réalisation proactive d’inspections des lieux de travail. Des analyses des données administratives du ministère du Travail de l’Ontario révèlent que les données relatives aux plaintes sont très peu utilisées pour étayer les inspections des lieux de travail. Or, le respect strict des procédures du ministère en matière d’inspection des lieux de travail ne débouche pas sur l’examen de certaines des plaintes factuellement les plus courantes. Les auteures préconisent donc une mise en application plus stratégique grâce à l’utilisation accrue des données relatives aux plaintes pour orienter les inspections des lieux de travail déclenchées par les plaintes et au recours plus fréquent aux pénalités dans le cadre de ces inspections. Abstract: In Ontario, as in many other jurisdictions, employment standards enforcement includes reactively investigating employee complaints and, to a lesser extent, proactively inspecting workplaces. Analyses of administrative data from Ontario’s Ministry of Labour (MOL) show that the use of complaint data to inform workplace inspections is quite limited. Strict adherence to the MOL’s procedures for workplace inspections is not conducive to the investigation of some of the most common empirical complaints. Accordingly, we argue for more strategic enforcement by making greater use of complaint data to guide workplace inspections triggered by complaints and for the increased use of penalties in these inspections.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».