Informalisation du travail rémunéré et risques sociaux pour les travailleurs : le rôle des États-providence
Bibliographic record
Abstract
L’article a pour objectif d’explorer comment les politiques des États-providence européens affectent la croissance du travail informel visant à échapper à la pauvreté. L’auteure avance qu’il est important d’établir des distinctions entre les types d’emplois informels — qui diffèrent significativement en fonction des types d’États-providence qui président les sociétés dans lesquelles le travail informel se développe —, en prenant en compte l’importance de la réglementation du travail, le degré de contrôle et de sanctions du travail informel, l’accès aux mesures de protection sociale, la dynamique démographique des migrations, etc. L’ensemble de ces facteurs contribue à exposer à des degrés divers les travailleurs de l’économie formelle les plus vulnérables aux risques sociaux, qui sont généralement couverts par les mesures de protection sociale et les droits sociaux. Dans sa portion empirique, l’article se base sur les données comparatives du Rapport Eurobaromètre spécial de 2014 pour cinq pays européens (Danemark, Finlande, Allemagne, Pologne et Espagne), qui permettent d’analyser les différences entre ces pays de l’étendue du travail informel pratiqué pour échapper à la pauvreté, et qui se fondent sur des données d’enquêtes nationales et de recherche qualitative.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".