L’apport de la prise en compte de la valeur comparable pour définir la rémunération des emplois à prédominance féminine
Bibliographic record
Abstract
Ce texte traite des enjeux relatifs aux écarts de rémunération entre les hommes et les femmes. Il a pour objet l’inclusion des caractéristiques du travail à prédominance féminine dans les systèmes de rémunération afin de mieux mettre en valeur l’apport de ce travail dans l’atteinte des objectifs de l’organisation. Cette recherche mobilise la littérature sur la notion de valeur comparable, d’égalité, d’équité salariale et de ségrégation professionnelle. Complémentaire aux mesures d’intégration relatives à l’emploi, nous proposons à partir de méthodes d’évaluation des emplois, d’enrichir, à partir de différentes déclinaisons, les facteurs et sous-facteurs d’évaluation de caractéristiques associés au travail à prédominance féminine trop souvent oubliés ou sous-estimés. Cette proposition est suivi d’une illustration concrète d’une démarche de mise en œuvre de l’égalité salariale entre les hommes et les femmes à partir d’un cas illustratif. Nous contribuons ainsi à améliorer l’égalité de la rémunération entre les femmes et les hommes au regard des exigences légales en proposant un canevas de démarche à réaliser en entreprise pour renforcer le sentiment de justice et l’égalité salariale.
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 | 0.013 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".