Marge de manœuvre situationnelle et pouvoir d’agir : des concepts à l’intervention ergonomique
Bibliographic record
Abstract
Les notions de marge de manœuvre et de pouvoir d’agir ont connu de nombreux développements ces dernières années, notamment dans les champs respectifs de l’ergonomie et de la psychologie. L’intelligibilité intuitive de ces notions a conduit à une généralisation de leur utilisation dans les discours des approches cliniques du travail, en particulier en ce qui concerne la prévention des troubles musculo-squelettiques et des risques psycho-sociaux. S’étant le plus souvent dédouanée d’un effort de conceptualisation, cette généralisation s’est accompagnée de confusions et d’imprécisions, à la fois dans les échanges scientifiques et dans les débats de métier des ergonomes et des psychologues. La fréquentation de plus en plus étroite ces dernières années de l’ergonomie de l’activité et de la psychologie du travail – et plus spécifiquement de la clinique de l’activité – a rendu cette lacune de plus en plus évidente. Ainsi, les auteurs de cet article – tous ergonomes – proposent une articulation théorique des concepts de Marge de Manœuvre Situationnelle et de Pouvoir d’Agir. Les conséquences principales de ce modèle pour l’intervention ergonomique sont ensuite développées.
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 | 0.013 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.043 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.007 | 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".