Savoirs professionnels et prévention des TMS : réflexions conceptuelles et méthodologiques menant à leur identification et à la genèse de leur construction
Bibliographic record
Abstract
Le travail répétitif est souvent vu comme un travail qui peut s’apprendre par la simple observation d’un collègue. Cette étude a eu pour objectif de décrire les savoir-faire et en particulier ceux qui permettent de se protéger, qui sont développés par six travailleurs-experts d’un département de découpe de la viande. Des entretiens individuels et collectifs, des observations sur place et sur vidéos et des rencontres d’autoconfrontation ont été réalisés. Une typologie des savoirs à la base des savoir-faire a été élaborée et l’existence d’une hiérarchie dans la construction des savoir-faire a été dévoilée, notamment pour des savoir-faire appelés « savoir-faire efficients ». Cette hiérarchie fait ressortir toute la complexité du travail qui devrait être considérée dans l’organisation de la formation et la présentation du contenu. La démarche ergonomique développée dans cette étude ainsi qu’un cadre théorique issu de la pratique sur le terrain ont permis de mettre au jour la richesse des savoirs mobilisés dans le travail manuel.
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 | 0.048 | 0.053 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.005 |
| Science and technology studies | 0.007 | 0.015 |
| Scholarly communication | 0.014 | 0.011 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 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".