La mise en marché d’une expérience de travail : étude diachronique des critères utilisés par les recruteurs canadiens dans les annonces d’emploi
Bibliographic record
Abstract
Dans une perspective de pénurie de main-d’oeuvre, due principalement au vieillissement de la population, les rôles tendent à s’inverser sur le marché de l’emploi : il revient maintenant aux employeurs de séduire les meilleurs candidats. Quels critères utilisent les recruteurs afin d’attirer de nouveaux candidats au sein de leur entreprise ? Est-ce que ces critères varient en fonction du secteur d’activité auquel appartiennent les entreprises ? Est-il possible d’identifier certaines tendances évolutives quant aux critères qu’utilisent les recruteurs afin de mettre en valeur les emplois disponibles au sein de leur entreprise ? Prenant appui sur ces quelques questions, cette recherche étudie les critères utilisés par les recruteurs pour faire la promotion d’une expérience d’emploi. Elle fait l’analyse des annonces d’emploi publiées dans la revue Jobboom, spécialisée dans l’aide à la recherche d’emploi. L’échantillon est constitué de 1186 annonces parues dans les 83 numéros de la revue publiés au cours de la dernière décennie (2000-2010). Les résultats permettent d’identifier, en fonction des années et des secteurs d’activité, les critères les plus utilisés par les employeurs dans leurs efforts de recrutement. Les pistes de recherche futures sur l’effet de ces critères sur l’attraction des chercheurs d’emploi sont discutées en guise de conclusion.
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 | 0.010 | 0.026 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".