Évaluation des processus : comprendre comment le contexte des entreprises influence le déroulement des premières étapes d’interventions ergonomiques
Bibliographic record
Abstract
Bien qu’il soit généralement convenu que les ergonomes adaptent leur intervention au contexte de chaque entreprise, la façon précise dont ils y parviennent et sur quels critères cette adaptation se base sont peu renseignés au plan scientifique. Une évaluation des processus a été réalisée en adoptant un devis d’étude de cas multiple, en vue d’identifier les indicateurs de contexte ayant influencé quatre interventions du courant de l’ergonomie de l’activité, réalisées par des ergonomes en formation. L’évaluation a porté sur les étapes de l’intervention précédant l’implantation des changements, soit de l’analyse de la demande jusqu’au moment où le plan d’action est convenu avec les acteurs-clés. La collecte des données a été effectuée grâce à un journal de bord, des documents produits dans le cadre de l’intervention, ainsi que des entretiens avec les intervenants et les acteurs-clés impliqués dans l’intervention. Nos résultats présentés sous forme de modèles logiques font ressortir 12 indicateurs de contexte ayant représenté des leviers ou des obstacles au déroulement de l’intervention ou au plan d’action. Des combinaisons d’indicateurs ont eu un effet synergique positif ou négatif sur les cas. Le modèle d’évaluation proposé dans cette étude interdisciplinaire pourrait être repris lors d’études subséquentes pour bonifier la compréhension de l’influence du contexte dans d’autres situations d’interventions ergonomiques.
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 | 0.113 | 0.230 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".