Enjeux, défis et pratiques de recrutement : un regard croisé sur le terrain de la région de la capitale nationale
Bibliographic record
Abstract
Cet essai dresse un portrait des pratiques de recrutement de douze organisations situees dans la region de la capitale nationale (RCN : Gatineau – Ottawa) dans le but d’en explorer la dynamique dans le marche de l’emploi actuel, et d’en souligner s’il y a lieu les enjeux et les defis relatifs a l’attraction de candidats. La methodologie utilisee pour cette recherche de type exploratoire a ete decomposee en trois parties : - une analyse documentaire faisant ressortir les principaux constats de la communaute scientifique sur les variables reliees a cet essai; - une analyse documentaire faisant le point sur l’etat du marche du travail au Canada et dans la RCN; - une enquete menee au moyen d’un sondage entre juillet et septembre 2013 aupres de 12 organisations afin d’etablir les pratiques de recrutement en place et, s’il y a lieu, les enjeux et les defis relatifs a l’attraction de candidats. Les point principaux emergeant du sondage se repartissent selon les quatre axes suivants : 1) Les employeurs eprouvent des difficultes a recruter des candidats dans certains domaines; 2) Les employeurs doivent faire des efforts supplementaires au niveau de la rigueur du processus de planification de la main-d’œuvre et de l’automatisation; 3) Les employeurs doivent selectionner des mesures de rendement adequates pour ensuite identifier les outils automatises pertinents pour saisir l’information. Ceci permettrait de mieux cerner les activites de recrutement efficaces en fonction des besoins en main-d’œuvre et ainsi consacrer les efforts aux bons endroits; 4) Les employeurs doivent mieux integres les differentes etapes du processus de recrutement pour en assurer une plus grande coherence. En somme, beaucoup d’efforts restent a faire pour optimiser le processus de recrutement dans le but d’attirer efficacement une main-d’œuvre qualifiee y compris celle dans les domaines des mathematiques, du genie et des technologies de l’information. Toutefois, la realisation d’une recherche plus approfondie portant sur un echantillon plus grand d’organisations permettrait de valider ces premiers constats sur l’etat de la situation dans la RCN. Mots-cles : sources de recrutement, processus de recrutement, recrutement, attraction de candidats
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 | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.012 | 0.016 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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 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".