Comparaison des politiques d'incitation à l'emploi des salariés âgés au Danemark, en Finlande et en Suède
Bibliographic record
Abstract
Résumé Cette contribution traite tout d’abord des dispositifs juridiques qui ont été introduits depuis le milieu des années quatre-vingt-dix au Danemark, en Finlande, et en Suède en vue de prolonger l’emploi des seniors. Les systèmes de retraite ne sont pas ici traités, et l’analyse se concentre sur la diminution des préretraites, mais aussi des pensions de chômage, des pensions d’invalidité pour les personnes âgées de plus de 55 ans. Sont également étudiées les primes à l’emploi pour les personnes qui acceptent de prolonger leur activité au-delà des seuils fixés par la loi ou les conventions collectives. À côté des dispositions financières incitatives, ont été créés, par voie légale ou conventionnelle, des programmes de formation et d’amélioration des capacités des travailleurs qui jouent un rôle aussi important que les premières. Pour terminer, l’article insiste sur le fait que l’État a joué un rôle fondamental dans l’introduction de ces réformes, contrairement à la tradition de ces pays. Néanmoins, il apparaît que la négociation collective bipartite, au niveau des entreprises, est un facteur complémentaire favorable au succès de ces réformes négociées, voire imposées « d’en haut ».
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".