Construire les nouvelles normes en matière de capital humain : explorer les intersections entre l’avenir du travail et l’intelligence artificielle
Bibliographic record
Abstract
Ce rapport explore l’évolution du paysage de la finance durable, façonné par l’intégration croissante de considérations sociales dans les systèmes financiers mondiaux. Les banques centrales accordent de plus en plus la priorité aux risques liés au climat et à la perte de biodiversité dans leurs processus décisionnels, s’alignant ainsi sur les accords internationaux tels que l’Accord de Paris (2015) et l’Accord de Kunming-Montréal (2022). En même temps, les investisseurs exigent des informations financières et non financières fiables et complètes pour évaluer efficacement les risques et les opportunités en matière de durabilité. Au cœur de cet écosystème se trouve la Fondation IFRS, chargée d’établir des normes inter nationales en matière de comptabilité et de développement durable afin de favoriser la production de rapports transparents et utiles à la prise de décision. Collectivement, ces efforts visent à créer un système financier durable capable de relever les défis mondiaux tout en répondant aux besoins changeants des parties prenantes du secteur financier. Le rapport met en évidence les intersections critiques entre les emplois durables, les avancées technologiques et une économie équitable, en soulignant la nécessité d’intégrer les dimensions sociales dans les systèmes financiers. Il anticipe les défis et les opportunités auxquels les organisations seront confrontées lorsqu’elles s’aligneront sur les normes mondiales de durabilité, en particulier celles établies par l’International Sustainability Standards Board (ISSB). Ces normes donnent la priorité à la transparence et à la divulgation d’informations pertinentes pour guider la prise de décision, en fournissant un cadre permettant aux organisations de rester compétitives tout en poursuivant des objectifs de développement durable au niveau mondial. Toutefois, les dimensions sociales restent à la traîne en termes de cadres et d’indicateurs bien définis, contrairement aux normes environnementales, qui sont plus clairement établies.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
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 teacher head, 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".