Évaluation d'un programme de formation aux approches de résolution de problèmes en négociation collective
Bibliographic record
Abstract
Résumé Cet article présente les résultats d’une enquête menée auprès de vingt (20) paires de négociateurs patronaux et syndicaux dont les équipes de négociation ont participé à une formation conjointe sur les techniques de résolution de problèmes en négociation collective. L’enquête visait à établir un bilan des retombées de la formation au cours des négociations collectives qui ont suivi, et une évaluation de l’efficacité de cette formation en vue de modifier les approches et les comportements des négociateurs. Les résultats révèlent que différentes techniques de résolution de problèmes expérimentées dans le cadre de la formation (participation aux discussions et informations plus ouvertes à la table de négociation, séances conjointes de « remue-méninges », recherche de critères objectifs) ont été utilisées par les négociateurs patronaux et syndicaux dans 16 des 20 négociations collectives ultérieures. Dans quatre cas, les parties ont fait appel à un facilitateur externe pour les accompagner dans la mise en œuvre de cette nouvelle démarche de négociation. Une forte majorité des répondants estime que la mise en œuvre des techniques apprises en formation a contribué à améliorer le climat relationnel à la table de négociation.
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 | 0.008 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 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".