Le travail en contexte de transformation numérique est-il marqué par des enjeux de genre? Points de vue du personnel cadre
Bibliographic record
Abstract
Cet article propose de documenter les points de vue du personnel cadre d’organisations du secteur des services à propos des enjeux de genre au travail en contexte de transformation numérique (TN) à la lumière des théories féministes et d’une théorie du travail vivant. Cette étude s’inscrit dans une démarche méthodologique de recherche qualitative à l’aide de 3 entretiens de groupe regroupant un total de 20 participants(es) qui occupent des fonctions de cadres en proximité avec du personnel. Les résultats révèlent la diversité de leurs points de vue sur les enjeux de genre qui peuvent être regroupé dans deux grandes catégories : 1) la mise en visibilité des enjeux de genre concernant la représentativité des hommes et des femmes dans les organisations; 2) la compétence, l’expertise et la recherche de profils « performants » en contexte de TN conceptualisés comme « neutres » au regard du genre. Ces résultats sont discutés en considérant les difficultés de reconstructions collectives du personnel cadre à l’égard des enjeux de genre et du travail en contexte de TN, de même que la prépondérance des enjeux économiques et instrumentaux du travail par rapport aux enjeux humains et sociaux, dont font partie les enjeux de genre. Plus largement, ces résultats contribuent au renouvellement des réflexions à l’égard des enjeux de genre au travail en contexte de TN à partir des points de vue du personnel cadre.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.017 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".