L’intervention ergonomique : que fait-on des caractéristiques personnelles comme le sexe et le genre ?
Bibliographic record
Abstract
Le développement de l’intervention dans l’ergonomie francophone a ouvert un champ très important de connaissances sur la pratique. Au cours des dernières années, mise à part la question de l’âge peu de place a été accordée à la considération des caractéristiques personnelles dont le sexe et le genre dans les interventions ergonomiques. Sur la base d’un modèle du déroulement d’une intervention ergonomique, des enjeux, des questions ainsi que des pistes de recherche et d’action sont relevées à chacune des étapes. Il s’agit d’une réflexion sur les connaissances que nous possédons ou qui manquent pour intervenir adéquatement lorsque des enjeux de sexe et de genre sont posés. La nécessité de développer des stratégies d’intervention qui permettent d’identifier et d’éviter les situations d’exclusion des travailleuses, lors de la priorisation des situations de travail ou la mise en place des dispositifs de participation aux différentes étapes de l’intervention, est soulignée. Enfin, le concept de marge de manœuvre est utilisé, entre autres pour comprendre l’impact différencié des éléments du cadre de travail sur les capacités des hommes et des femmes à se maintenir au travail en santé.
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 | 0.026 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".