Étendue et enjeux de l’intelligence artificielle dans les emplois professionnels : une perspective pluridisciplinaire
Bibliographic record
Abstract
Les applications de l’intelligence artificielle (IA) sont susceptibles de transformer le travail de professionnels(les) (soignants, juristes, enseignants, travailleurs sociaux, etc.). Cette étude de portée (scoping review) s’inscrit dans une collaboration entre les milieux syndicaux et de la recherche afin d’identifier les applications, usages et enjeux de l’IA qui sont documentés en lien avec le travail de professionnels(les). Les résultats montrent que l'IA est très présente dans des secteurs comme la santé, l’administration, le droit et l’enseignement. Ses finalités sont multiples : depuis l’archivage de données jusqu’à la prise de décision en passant par le traitement de textes, les interactions, la reconnaissance ou la simulation. Elle pourrait se développer dans de nombreux métiers et créer des enjeux transversaux majeurs, en particulier autour des compétences, des emplois, de l’éthique et du fonctionnement des organisations. Des enjeux plus spécifiques à chaque métier sont aussi identifiables. Ces résultats permettent de proposer une discussion pluridisciplinaire de ces enjeux en traitant de l’éthique dans la problématique du consentement à l’IA, de la dualité technologique de l’IA, du rôle d’un syndicat par rapport à l’IA et du défi informatique de l’explicabilité de l’IA.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.006 |
| Insufficient payload (model declined to judge) | 0.003 | 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; both teacher heads agree on what is shown here.
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".