La qualité d’emploi en France : cartographie et classification des professions d’exécution
Bibliographic record
Abstract
Cet article vise, en s’appuyant sur L’Enquête Conditions de travail (2013), à construire une typologie des professions relevant d’un statut « ouvrier » ou « employé » à partir du niveau et du type de qualité de l’emploi qu’elles induisent. Cette approche de la qualité d’emploi par les professions apparaît importante pour trois raisons complémentaires : d’abord, parce que la nature de la profession s’avère déterminante au-delà des caractéristiques des individus qui l’occupent pour expliquer les écarts en termes de qualité de l’emploi; ensuite, du fait de l’importance de la nature des professions dans la détermination des règles encadrant le travail; et, enfin, en raison du rôle joué par les politiques publiques dans le soutien de la qualité dans certaines professions. Dans un premier temps, nous élaborons un faisceau de 15 indicateurs mesurant les différentes dimensions de la qualité d’emploi en combinant des variables relatives à la relation d’emploi (rémunération notamment), au niveau d’attractivité non matériel des tâches à effectuer (comme le degré d’autonomie ou nouer des rapports sociaux de qualité) ou, encore, les conditions de travail (notamment les contraintes liées au travail ou aux pénibilités vécues par les salariés comme les pénibilités physiques). Dans un second temps, nous menons, sur la base de ces 15 indicateurs, une classification ascendante hiérarchique qui fait apparaître huit classes de professions. Les lignes de fracture qui les opposent, permettent ensuite d’établir une hiérarchisation partielle des professions en termes de qualité de l’emploi. Enfin, nous précisons la composition de ces classes (professions concernées et caractéristiques sociodémographiques des individus) et soulignons une concentration de certains types de travailleurs au sein des professions de bonne ou de mauvaise qualité.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.012 | 0.012 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".