La culture des cabinets juridiques et la rétention des avocat·e·s
Bibliographic record
Abstract
Le présent article analyse la rétention des avocats et avocates dans les cabinets d’avocats du secteur privé. Nous nous appuyons sur une enquête longitudinale portant sur des avocats et avocates de cabinets ontariens dont nous avons suivi les carrières pendant vingt ans. À l’aide de modèles de survie exponentiels et segmentés, nous examinons les facteurs organisationnels et culturels qui poussent les avocats et avocates à quitter les cabinets. L’étude révèle de façon générale une différence entre les sexes qui ne s’explique ni par le capital humain ni par les caractéristiques organisationnelles ou les niveaux de satisfaction au travail. Les résultats démontrent également l’importance de la culture du cabinet — en particulier le sentiment de compatibilité des avocats avec leur cabinet, leur satisfaction à l’égard des possibilités de récompenses, l’existence de politiques d’horaires flexibles en milieu de travail et enfin, la contribution des mentors — pour réduire la fuite des talents d’avocats hors des cabinets.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".