Confiance, émotion et communication non verbale en médiation, le virtuel est-il à la hauteur ?
Bibliographic record
Abstract
En mars 2020, la pandémie de COVID-19 et la mise en place de mesures de distanciation physique ont changé le rapport à autrui. Progressivement, certaines rencontres virtuelles sont devenues la norme, si bien que malgré l’amélioration de la situation sanitaire, plusieurs organisations ont maintenu le télétravail. Les modes de prévention et de règlement des différends (PRD) en ligne, quant à eux, ont fait l’objet d’une attention accrue. Mais les médiations virtuelles représentent-elles un substitut adéquat aux médiations en personne? Plus spécifiquement, nous tenterons de mieux comprendre comment l’établissement du lien de confiance et la reconnaissance des émotions lors de médiations intégratives peuvent être influencés par la tenue de médiations virtuelles. Dans un premier temps, nous présentons un survol des écrits en droit et PRD au sujet de deux importants facteurs de succès de la médiation intégrative, soit l’établissement du lien de confiance et la reconnaissance des émotions. Par la suite, nous présentons l’état de la connaissance sur ces mêmes sujets, mais cette fois-ci, nous nous tournons vers la littérature scientifique sur la communication non verbale. Dans un troisième temps, nous expliquons en quoi les recherches sur la communication non verbale permettent de développer une vision globale de la médiation virtuelle. Finalement, nous posons un regard critique sur l’enjeu de la médiation virtuelle, et nous concluons en formulant des recommandations à l’intention des médiateurs.
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 | 0.005 | 0.012 |
| 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 | 0.018 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".