Content development for a tool to assess the preparedness of employment environment to welcome people with visual impairment
Notice bibliographique
Résumé
Le taux de chômage des personnes vivant avec une déficience visuelle (PDV) demeure préoccupant, malgré la mise en place de lois progressistes et d’actions diverses pour favoriser leur emploi. Les PDV éprouvent continuellement des difficultés d'intégration à l'emploi en raison de barrières dans le marché du travail et de l’inaccessibilité des lieux de travail. \nL'objectif de ce mémoire était de développer le contenu d'un outil de mesure qui pourrait évaluer l’état de préparation des milieux de travail pour accueillir des PDV. \nL’objectif a été atteint en deux temps. Premièrement, une synthèse de la littérature scientifique a permis de prendre la mesure des connaissances existantes et d’identifier les lacunes dans la recherche sur l'intégration à l'emploi. Deuxièmement, une étude co-créative a exploré les expériences vécues d’employés vivant avec une déficience visuelle et celles d’experts dans la création d’environnement de travail prêt à employer des PDV. \nLes résultats indiquent que traditionnellement l’approche pour faciliter l'intégration à l'emploi des PDV visait l'identification d’obstacles et de facilitateurs à la réussite professionnelle. Cette approche axée sur l’individu, souhaitait préparer les PDV à l'emploi. Peu de recherches ont été menées sur les efforts déployés par les employeurs et sur l’environnement de travail. Même si le milieu de travail a été identifié comme facteur de réussite et comme barrière dans l'intégration en emploi, aucune approche n'existe pour préparer les employeurs à l'arrivée de PDV. L’atteinte d’une répartition équitable des efforts impliquant tous les déterminants dans la réussite passe inévitablement par la préparation des environnements d'emploi.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».