Bibliographic record
Abstract
Résumé La nature du travail au sein des entreprises ne cesse d’évoluer, tout comme les outils d’évaluation du rendement. Des nombreuses tendances qui ont marqué cette évolution, la complexité des tâches à accomplir de même que la fréquence et la rapidité avec lesquelles les changements s’imposent dans l’environnement de travail figurent parmi les plus importantes. En conséquence, les pratiques d’évaluation du rendement, vouées à la mesure des comportements des individus en situation de travail, ont eu à s’ajuster à cette nouvelle réalité. C’est dans cette perspective que s’inscrit le processus d’évaluation de type multisource, un outil de gestion qui connaît un essor considérable depuis une décennie. Fondé sur l’ensemble de la littérature disponible à ce jour, l’article propose une analyse critique de l’évaluation multisource. Pour ce faire, le contexte historique est exposé, suivi d’une définition de l’évaluation multisource. Ensuite, l’exploration des qualités psychométriques de l’évaluation multisource est effectuée ainsi que l’étude de l’impact de ces dernières sur l’individu évalué et sur l’organisation en général. Enfin, les avenues de recherche futures et les questions toujours en suspens viennent enrichir la discussion.
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 | 0.039 | 0.076 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.018 | 0.015 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 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 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".