Démystifier les inventaires de personnalité
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Résumé L’expérience et les recherches révèlent que le savoir-être des personnes explique autant, sinon plus, la performance au travail que leur savoir et leur savoir-faire. Le savoir-être réside dans les compétences douces regroupant les qualités personnelles et l’engagement potentiel du candidat dans un milieu de travail. Mais comment peut-on reconnaître les candidats qui possèdent un savoir-être ou une personnalité compatible avec le poste à pourvoir, le contexte de travail et l’organisation? L’article vise à montrer aux gestionnaires comment l’inventaire de personnalité, soit l’analyse approfondie de nombreux traits personnels, du savoir-être et des compétences douces, peut les aider à prendre des décisions en matière de sélection, de promotion et de développement du personnel. Après avoir défini cet outil d’évaluation et en avoir présenté des exemples, nous exposons ses atouts et ses limites. Nous résumons également les règles légales et professionnelles que les employeurs doivent respecter dans la gestion des inventaires de personnalité. De nombreuses recommandations sont faites à l’intention des gestionnaires quant au choix d’un inventaire de personnalité et à ses conditions de succès, tout en précisant que l’inventaire de personnalité doit constituer avant tout un outil d’aide à la décision. Fonctions : GRH, management, psychologie
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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 it