Les ressources de l’environnement : au cœur de la construction des savoirs professionnels en situation de travail et de la protection de la santé
Bibliographic record
Abstract
Les conditions de formation et d’apprentissage en situation de travail peuvent générer ou accentuer certains risques à la santé et à la sécurité, en particulier dans les situations où le contexte limite les ressources nécessaires dans l’environnement de travail. La construction de ressources opératoires (utiles et utilisables) est alors au cœur des stratégies pour développer des méthodes de travail efficientes (efficaces et sécuritaires). C’est ce que démontre cette étude ergonomique comparative, réalisée dans deux secteurs d’emploi où les conditions de réalisation du travail s’imposent comme conditions d’apprentissage, et où la marge de manœuvre pour mettre en place des activités d’apprentissage est différente. Malgré cette différence, les mêmes catégories de ressources opératoires (spatio-temporelles, humaines et matérielles) et les mêmes catégories de stratégies de construction de ces ressources sont impliquées. Toutefois, chacune de ces catégories n’a pas la même importance relative. Le poids des contraintes spécifiques à chaque secteur détermine l’importance relative de ces catégories et les coûts humains des activités informelles d’apprentissage.
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 | 0.004 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".