Bibliographic record
Abstract
Bien que les organisations soient de plus en plus nombreuses à implanter des réseaux sociaux d’entreprise destinés en interne à être utilisés par leurs employés, les conversations portant sur le travail empruntent aussi d’autres réseaux : les médias sociaux numériques (rsn) « publics ». Ainsi, il devient important de prendre en compte les pratiques collaboratives au travail selon les échelles et modalités nouvelles offertes par des plateformes qui traversent les sphères d’activités privées et publiques des travailleurs. La plateforme de microblogage Twitter est utilisée notamment par certains travailleurs pour diffuser des connaissances tacites ou formalisées, mais aussi les hypothèses et pistes de réflexion qui jalonnent leurs pratiques professionnelles. Alors que Twitter n’a pas été conçu à l’origine pour la conversation ni la collaboration, cette plateforme de microblogage s’immisce de façon informelle dans le quotidien des travailleurs, en leur permettant de communiquer en temps réel, via un canal public qui n’est pas nécessairement autorisé, reconnu ni contrôlé par leur organisation de travail, avec un public excédant les frontières de l’entreprise. Ainsi, les commentaires et les interactions que suscitent ces diffusions peuvent favoriser l’émergence de réseaux informels de collaboration. Cet article tente d’identifier et de caractériser les différentes formes de pratiques informelles de mise en visibilité du travail et de collaboration numérique par l’entremise de la plateforme de microblogage Twitter. Les exemples présentés permettent d’illustrer la place faite spontanément à cette plateforme par les travailleurs ayant volontairement décidé de l’intégrer dans leurs pratiques professionnelles. Nous distinguons quatre types d'usages : les récits portant sur le travail, l’ouverture et le partage de traces de son travail, la diffusion d'intentions et les « questions à la foule ».
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 | 0.001 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.032 | 0.025 |
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".