De l’analyse des émotions comme risque à la construction de la santé par la coloration collective des affects et des situations
Bibliographic record
Abstract
La gestion des émotions, notamment dans les métiers de service, est souvent analysée comme un risque. La notion de travail émotionnel, développée par Arlie Russell Hochschild, incite également à concevoir le travail sur ses émotions et celles d’autrui comme une charge qui devrait être rémunérée en tant que telle. Pourtant, la dimension affective des relations de travail peut aussi être gratifiante. La régulation collective des émotions dans le travail peut agir sur la valence des affects, donner du sens aux efforts réalisés, augmenter le pouvoir d’agir et le contrôle des travailleuses et travailleurs sur la situation; et donc, au final, participer à la construction de la santé. Après avoir brièvement rappelé les différents travaux sur la régulation collective des émotions et de la santé, cet article s’intéresse à un aspect particulier de cette régulation : la coloration affective des situations qui vise, après coup, à peser sur la valence, la signification et l’empreinte traumatique ou euphorique des affects. Des émotions potentiellement perturbatrices comme la peur, l’humiliation ou la colère peuvent alors servir de levier pour valoriser une action, appuyer des savoir-faire de prudence, réparer des identités mises à mal. Des recherches auprès de policiers, de diplomates ou d’ouvrières permettront d’illustrer et d’étayer cette hypothèse.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| 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".