Introduction : Améliorer le travail
Bibliographic record
Abstract
Partant du principe que l’amélioration du travail contribue à l’amélioration des sociétés, le défi qu’entend mettre en évidence l’introduction de ce numéro spécial de Transfer: European Review of Labour and Research, consiste à déterminer ce qui rend le travail meilleur, ou pire, et comment il est possible de l’améliorer. Alors que des expériences très variées contribuent à façonner l’avenir de nos économies et de nos communautés, l’un des principaux enjeux consiste à s’engager dans un apprentissage partagé de ces processus afin de stimuler un dialogue entre l’aspiration à un meilleur travail et les conditions susceptibles de entraver ou de faciliter cette amélioration du travail. Cette démarche veut nous inciter à dépasser une conception étroite de la qualité de l’emploi pour adopter un point de vue plus large sur la manière dont les acteurs du monde du travail élaborent des stratégies, innovent et intègrent l’incertitude dans leur quête de solutions durables pour un travail de meilleure qualité. Les principaux thèmes de discussion sont les suivants : pourquoi le travail doit être meilleur (alors qu’il est souvent pire) ; pourquoi un meilleur travail permet-il d’améliorer les sociétés ; comment améliorer le travail ; quel est le rôle des institutions dans cette amélioration du travail ; comment, enfin, les stratégies syndicales sont-elles essentielles dans les processus d’expérimentation destinés à améliorer le travail.
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 | 0.006 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.042 | 0.009 |
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".