La maternité en milieu de travail ou pourquoi les Québécoises sont-elles si nombreuses à demander un retrait préventif?
Bibliographic record
Abstract
On a assisté depuis l'entrée en vigueur du droit au retrait préventif à une croissance rapide et continue de la demande pour ce programme, qui touche aujourd'hui une travailleuse enceinte sur quatre. Les demandes acheminées vers la Commission de la santé et de la sécurité au travail ont par ailleurs beaucoup plus souvent conduit à des arrêts de travail précoces qu'à un processus de réaffectation comme les concepteurs de la mesure l'auraient souhaité. Après avoir passé en revue les enjeux soulevés par cet effet inattendu de la législation, les auteurs dressent un portrait statistique des utilisatrices et proposent quelques hypothèses d'explication sur l'étonnante popularité de la mesure, à partir des premiers résultats d'une recherche (combinant une approche quantitative et qualitative) conduite auprès de travailleuses qui se sont prévalues de ce droit en 1984 et 1985. Ils suggèrent qu'au moment de concevoir la mesure, le législateur a sous-estime la pénibilité des tâches dévolues aux femmes et par conséquent le nombre de travailleuses susceptibles d'invoquer un facteur de risque au poste de travail en plus de se heurter à la résistance des milieux de travail, peu disposés à mettre de l'avant des politiques de réaffectation.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".