La formation et l’élimination des préjugés envers le travail des femmes : des leçons pour l’évaluation des emplois en contexte d’équité salariale
Bibliographic record
Abstract
La Loi québécoise sur l'équité salariale, adoptée en novembre 1996, vise à éliminer la partie de l'écart salarial, entre les hommes et les femmes, causée par la discrimination systémique qui prend sa source dans les préjugés et les biais sexistes à l'égard de la valeur du travail des femmes. Pour atteindre l'équité salariale, la loi prévoit, entre autres, l'utilisation d'une méthode analytique d'évaluation des emplois. Cette dernière fait appel au jugement des évaluatrices et des évaluateurs, subissant l'influence de leurs propres valeurs. L'idée de base est de montrer l'importance de la formation pour l'élimination des biais sexistes dans le processus d'évaluation des emplois. À partir d'un exercice réalisé dans la fonction publique du Québec, au début des années 90, la présence de deux types de biais sexistes est étudiée dans les auto-évaluations de titulaires de poste. La conclusion formulée est la suivante : une formation-sensibilisation à la discrimination et aux préjugés envers le travail des femmes ainsi qu'une formation technique sur l'évaluation des emplois sont préalables et nécessaires afin d'atteindre réellement l'équité salariale.
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 | 0.011 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".