Aménager le temps de travail en fin de carrière pour inciter à rester en emploi ?
Bibliographic record
Abstract
Notre recherche permet de mieux comprendre les motivations et intérêts des salariés à l’égard de la fin de carrière et la retraite. Elle repose sur des entretiens en profondeur, et a permis de constater que si le départ hâtif reste une aspiration pour plusieurs, des mesures d’aménagement du temps de travail ou le temps partiel, mais aussi d’autres mesures (mentorat, mandats, projets) pourraient inciter les salariés à rester plus longtemps en emploi. Il est pertinent de souligner cet intérêt pour le changement de rôle, le passage à un rôle de formateur ou de mentor, qui a été peu documenté à ce jour comme option de fin de carrière et pourrait agir comme mesure de rétention, en plus de l’aménagement du temps de travail.Ayant également interrogé les cadres de cette organisation, ils ont pu confirmer que l’aménagement et la réduction du temps de travail ainsi que les nouveaux mandats ou rôles de mentor ou de formateur n’ont pas été envisagés à ce jour dans l’organisation, ou très peu. S’ils ont été envisagés, c’est surtout dans les postes de cadres, alors que les besoins de formation de la relève se font aussi sentir dans d’autres milieux, de sorte que cela paraît constituer une avenue possible pour retenir les employés.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.006 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.028 | 0.006 |
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".