Pratiques de gestion des romances au travail : Analyse des résultats d’une étude menée au Canada
Bibliographic record
Abstract
Les romances au travail, qui correspondent à des relations mutuelles et consensuelles impliquant une attraction sexuelle, sont de plus en plus fréquentes en raison de divers facteurs environnementaux et organisationnels. Pourtant, les dirigeants, les cadres, les employés comme les professionnels RH, se sentent souvent démunis à l’égard de leur gestion faute de connaissances et de balises sur le sujet. Cette étude analyse les résultats d’une étude sur la gestion des romances au travail menées au Québec et les compare à ceux d’autres enquêtes menées aux États-Unis. L’étude montre que presque la moitié des professionnels en ressources humaines répondants (49 %) disent que leur organisation n’a aucune norme tant formelle qu’informelle en matière de romances au travail, 39 % expriment qu’elle applique des normes plutôt informelles et 12 %, des règles formelles et informelles. Notre analyse permet d’identifier une typologie de cinq grandes approches de gestion des romances au travail : suivi, counseling, mesures administratives de contrôle des romances, mesures administratives favorables aux romances et mesures disciplinaires. Des implications pour la pratique et des avenues de recherche sont présentées.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.010 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".