Bibliographic record
Abstract
L e plus souvent, mes interlocuteurs me répondaient sans détour qu'ils n'étaient pas intéressés ou qu'ils ne se sentaient pas concernés par ma démarche.La conversation téléphonique ne durait jamais plus de quelques minutes : ils s'assuraient souvent de raccrocher prestement, comme on le fait avec les sondeurs téléphoniques.Dès le départ, je dus me soumettre à un exercice essoufflant, alors que défilait devant moi une longue liste d'entreprises où je souhaitais aller pour la réalisation de mon enquête.J'interpellais mes répondants, des représentants d'entreprise, en insistant d'abord sur les pistes de solutions stratégiques et durables aux défis d'attraction et de rétention de la main-d'œuvre que ma démarche pouvait leur apporter.Ces solutions que j'avançais avaient comme corollaire l'intégration, par les entreprises, d'une catégorie de travailleurs largement négligés par leur secteur industriel : les femmes -mais aussi les personnes, en particulier les femmes, issues de l'immigration.Les motifs évoqués pour expliquer leur tenue à l'écart s'érigeaient généralement sur les terreaux biologiques ou nationaux, mais le plus souvent, l'appel à des considérations purement économiques évacuait la nécessité de toute justification supplémentaire.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.012 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.008 | 0.014 |
| Insufficient payload (model declined to judge) | 0.072 | 0.014 |
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".