Les perceptions des employeurs et les mesures mises en place pour une meilleure rétention de la main-d’œuvre d’expérience au Québec
Bibliographic record
Abstract
Étant donné la rareté de main-d’œuvre observée dans plusieurs secteurs au Québec, les organisations souhaitent identifier les obstacles au maintien et au retour en emploi et les mesures qui pourraient favoriser une meilleure participation au marché du travail de la main-d’œuvre d’expérience. Nombre de personnes souhaitent aussi rester sur le marché du travail mais se voient confrontées à des obstacles. Pour ce faire, nous avons mené deux enquêtes, l’une auprès de la main-d’œuvre et l’autre auprès des employeurs afin de connaître leurs perceptions des obstacles et des mesures ou politiques qui pourraient favoriser le maintien en emploi. Certains obstacles peuvent difficilement être contournés (problèmes personnels ou de santé) mais d’autres pourraient être abordés : surcharge de travail et fatigue, charge de travail mentale ou physique, absence ou faiblesse de la formation après 50 et 60 ans, reconnaissance de l’expérience ou rémunération insuffisante. Sur le plan des mesures publiques, outre une amélioration de la fiscalité, d’autres options pourraient être considérées, comme un soutien financier ou un service-conseil pour l’embauche de travailleurs d’expérience, une banque de candidatures disponibles, ou encore la mise en place de programmes permettant d’aider les organisations à développer des mesures innovantes en matière d’aménagement du temps de 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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| 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".