Précarité et inégalités sociales de santé au travail à l’ère de la COVID-19
Bibliographic record
Abstract
La crise du SRAS-CoV-2 (COVID-19) qui secoue l’ensemble de la planète soulève une fois de plus l’épineuse question des inégalités sociales de santé. On a beau dire que la COVID-19 touche tout le monde, sa répartition et ses effets au sein de la population sont loin d’être homogènes. Les conséquences économiques et sociales que cette pandémie entraîne touchent certains travailleurs et travailleuses plus que d’autres. En effet, il est reconnu que certains secteurs, métiers ou professions présentent un plus haut risque de contagion et de transmission de la COVID-19, et que certains travailleurs et travailleuses courent un plus grand risque de subir les contrecoups des choix effectués par les différents gouvernements et autorités sanitaires. La tendance à la précarisation des emplois qui s’observe depuis le milieu des années soixante-dix dans les pays industrialisés contribue sans doute à fragiliser l’emploi et à creuser les inégalités sociales, y compris les écarts en matière de santé et de bien-être. La pandémie actuelle, en plus de mettre en relief plusieurs formes de précarité, qui accentuent la vulnérabilité de certains travailleurs, souligne une éventuelle rupture de l’offre de services de santé et de possibles dysfonctionnements dans l’organisation du travail et la gestion. Aussi, nous posons le postulat que ces dysfonctionnements ne sont pas étrangers à la montée du néolibéralisme et de l’idéologie gestionnaire à la fin des Trente Glorieuses.
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 | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| 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".