L’expérimentation institutionnelle au travail, pour le meilleur (ou pour le pire)
Bibliographic record
Abstract
Dans différents contextes nationaux, institutionnels et organisationnels, et dans un contexte d’incertitude, diverses formes d’organisation de travailleurs, anciennes et nouvelles, mènent des expérimentations en réponse aux lignes de fracture majeures des changements auxquelles elles sont confrontées. L’introduction de ce numéro spécial se concentre sur ces processus: la disruption des formes traditionnelles de régulation du travail et de l’emploi; comment différents acteurs sont engagés dans l’expérimentation sur la gouvernance du travail et de l’emploi; comment ces acteurs formulent des revendications à l’égard de l’État; comment ces processus peuvent conduire à un meilleur ou à un “pire” travail; et enfin, comment de solides capacités et des configurations particulières de ressources de la part de ceux qui sont engagés dans l’expérimentation peuvent contribuer à de nouvelles formes de régulation du travail et même à un meilleur travail. Les thèmes clés comprennent le rôle moteur et la résilience des acteurs et leur développement de nouvelles capacités collectives, l’importance de la délibération et de la démocratie, la nature stratégique et réflexive de leur expérimentation, l’extension de l’expérimentation dans de nouvelles formes d’institutionnalisation intégrant des valeurs fondamentales telles que l’égalité, la solidarité et la démocratie, ainsi que de nouveaux modèles d’agrégation de la recherche nécessitant un dialogue permanent entre acteurs et chercheurs.
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 | 0.028 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.038 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.002 | 0.015 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".