Bibliographic record
Abstract
Cet ouvrage de 225 pages en 11 chapitres, écrit avec cœur et humour, est tout d'abord une réflexion approfondie sur le travail en usine, dans le nettoyage, auprès des caissières debout, sur le travail des infirmières et des enseignantes.Et, c'est aussi une présentation biographique de l'auteure, Karen, née en 1943, dans un milieu de cadres qui l'autorise très vite à observer le travail en usine.2 Karen Messing, que j'ai rencontrée il y a une bonne quinzaine d'années à Paris et à Montréal, est reconnue sur plusieurs continents comme généticienne puis est devenue « ergonome », ses dernières études étant réalisées au Cnam 1 à l'Institut national d'études sur l'orientation et le travail.Elle est connue notamment en qualité de spécialiste des questions de la santé des femmes au travail, dévoilant avec intelligence fine et émotion « l'invisible qui fait mal ». 3Elle a 33 ans, lorsqu'elle arrive à Montréal, à l'UQAM, université publique, où le département de biologie existait depuis les années 1970 : encouragée par Donna Mergler, professeure de physiologie, elle se « lance » auprès des ouvriers des raffineries de phosphate, soumis aux émissions radioactives.Ces deux femmes engagées vont créer CINBIOSE 2 qui va séduire nombre de syndicats européens qui rapidement font traduire en six langues les résultats sur « genre et santé au travail » 3 .
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.005 | 0.012 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.022 | 0.010 |
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".