De zéro à héros : la reconnaissance du travail ingrat et l’importance d’une gestion éthique des soins dans les centres d’hébergement et de soins de longue durée
Bibliographic record
Abstract
Au cours de la première vague pandémique au printemps 2020, la société québécoise a assisté, incrédule, à une dégradation accélérée des soins dans les CHSLD (centres d’hébergement et de soins de longue durée) et au désarroi des soignants et des aidants face à cette situation. Souvent stigmatisé socialement et qualifié dans la littérature comme un travail ingrat (dirty work), le rôle tenu par les préposés aux bénéficiaires auprès de personnes âgées fragilisées des CHSLD n’aura jamais été vu comme aussi essentiel et vital. Devant les difficultés rencontrées dans la revalorisation du personnel accomplissant un travail ingrat dans ce contexte de crise, force est de constater le manque de modèle à suivre pour gérer éthiquement ces ressources humaines ; la recherche en ce domaine étant relativement sous-développée. Par ailleurs, la recherche en gestion des crises montre que les décideurs eux-mêmes manquent à leurs engagements en négligeant leurs responsabilités en amont et en aval des moments de crise. Cet article vise donc à dégager des propositions concrètes pour combler cette double carence éthique et ainsi proposer un modèle axé sur une gestion éthique des soins mettant l’accent sur la gestion des ressources humaines et le développement organisationnel, en amont et en aval des crises.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.024 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".