Inégalités de genre en entreprise : comment construire une intervention sur le travail, propice aux transformations ?
Bibliographic record
Abstract
Certains problèmes de santé au travail, renforcés dans un contexte d’intensification du travail, se manifestant par l’absentéisme, le turnover, le stress, l’usure professionnelle, les TMS font l’objet de mesures de prévention plus appropriées quand l’intervention ergonomique a intégré la prise en compte des situations de travail différenciées des femmes et des hommes. C’est à travers une analyse des données (démographique, RH santé...) et une analyse du travail que l’intervention permet d’objectiver ces différences et de les mettre en discussion dans l’entreprise. Les facteurs explicatifs se regroupent en quatre causes : la division sexuelle du travail, l’invisibilité des risques ou de la pénibilité du travail dans les secteurs féminisés, les parcours différenciés et l’exposition différente aux contraintes de temps de travail professionnel et domestique. Cette grille de lecture permet une analyse porteuse de transformations dans l’entreprise. Mais l’intervention en entreprise rencontre des résistances dans la mesure où ces différences de situations traduisent des inégalités entre les femmes et les hommes, fruits des rapports sociaux de sexes dont il est encore difficile de parler.
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 | 0.012 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.006 |
| 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".