Des puces et des hommes : quand le travail « 4.0 » se révèle plus humain que prévu
Bibliographic record
Abstract
Pour répondre aux enjeux d’efficacité et de qualité de fabrication, la forte automatisation et l’intégration de données qui caractérisent l’industrie 4.0 permettent de produire des séries personnalisées aux coûts de la production de masse, ce qui engendre la création de situations de travail dynamiques et complexes. Dans les industries « de flux » telles que celle de la microélectronique, le travail humain, bien réel, devient moins visible puisqu’il n’intervient qu’en cas d’interruption du flux ou de process . Mais quelles conséquences a exactement cette automatisation poussée à son maximum, sur le travail et les compétences requises pour les opérateurs ? Cet article s’appuie sur l’étude d’un cas industriel, où la quête de haute performance et les seuils successifs d’automatisation conduisent à intensifier la surveillance des anomalies. Le cadre théorique choisi est celui du travail invisible et de son expérience triple (Gomez, 2013), qui permet de lever le voile sur une mutation du travail peu prise en compte par l’organisation officielle. À partir d’une observation directe et d’entretiens semi directifs, cette recherche révèle que l’expérience du travail est d’abord marquée par une hypertrophie de la dimension objective, en décalage avec de nombreuses présentations flatteuses des usines 4.0. Elle est également caractérisée par une dimension collective, non formalisée mais nécessaire, basée sur de nombreuses interactions. Elle est enfin l’occasion d’une expérience subjective, où se concentrent et s’arbitrent de nombreuses tensions. Ainsi, le travail « 4.0 », bien que plus automatisé, se révèle plus humain que prévu.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".