Savoir utiliser les médias sociaux pour recruter le personnel
Bibliographic record
Abstract
Résumé On observe actuellement sur le marché du travail des phénomènes de pénurie de main-d’œuvre, de pénurie de compétences et de rareté de compétences. Pour les entreprises, cela complique de plus en plus le recrutement des candidats dont elles ont besoin pour répondre à leurs besoins parfois très spécialisés. Afin de contrer cette situation, de nombreux recruteurs choisissent une approche plus efficiente consistant à soigner le positionnement d’employeur en vue d’attirer surtout les candidats passifs ayant déjà un emploi. Ainsi, plus l’entreprise est connue et suscite l’intérêt, plus elle reçoit de candidatures spontanées et moins elle a besoin d’investir dans le recrutement. Dans ce contexte, les médias sociaux – les réseaux professionnels comme LinkedIn, les réseaux sociaux comme Facebook et le microblogage comme Twitter – permettent à l’organisation de mettre en œuvre différents plans d’attraction des candidats, selon le niveau de pénurie ou de rareté des profils qu’elle cible. Les stratégies de recrutement doivent cependant être davantage personnalisées afin de témoigner au candidat l’intérêt pour lui, pour ses compétences et pour sa contribution potentielle à l’organisation. Ainsi, cet article donne des conseils aux recruteurs pour diffuser efficacement dans les médias sociaux les atouts de l’entreprise et les caractéristiques du poste. Ils pourront de cette façon mieux séduire les candidats en leur proposant l’emploi qui convient à leur profil de carrière et à leurs compétences.
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 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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 teacher head, 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".