La mobilité géographique pour optimiser la gestion des ressources humaines publiques ?
Bibliographic record
Abstract
La mobilité géographique s’impose comme un outil incontournable d’optimisation des ressources humaines publiques. Dans certaines grandes administrations, cette mobilité instrumentale est le principal moyen d’assurer l’adéquation entre les besoins et les ressources. Comment concilier ces impératifs de gestion avec les réalités des situations individuelles, professionnelles et familiales des agents ?La littérature suggère deux principes d’action : inciter les agents au mouvement en créant des dispositifs attractifs ; faire respecter leur engagement à être mobiles. À partir d’un questionnement sur la nature rationnelle des outils, nous avons mené une étude de cas dans une organisation particulièrement concernée (1 600 mouvements en 2007, mais de nombreux départs subis). Les résultats montrent des contradictions entre la manière dont les dispositifs sont conçus et celle dont les agents engagés dans les situations de choix les interprètent et les vivent. Ces limites invitent à davantage de prudence dans le déploiement des outils de gestion visant à standardiser et automatiser les procédures, surtout lorsque les conventions qui les sous-tendent sont en cours d’évolution.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.005 |
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".