Le Cadre collaboratif de la justice occupationnelle : un outil puissant en ergothérapie pour combattre les injustices occupationnelles et épistémiques
Bibliographic record
Abstract
Cet article décrit le Cadre collaboratif de la justice occupationnelle (CCJO), c’est-à-dire ses principaux éléments constitutifs, sa genèse et ses fondements épistémologiques. S’inspirant d’une étude de cas multiples critique et illustrant ainsi son utilisation potentielle en ergothérapie, il rapporte aussi deux histoires de cas vécues par deux ergothérapeutes du Québec-Canada l’ayant utilisé, l’une dans un contexte clinique auprès de personnes migrantes, immigrées ou réfugiées et l’autre dans un contexte de recherche auprès d’ergothérapeutes travaillant avec des personnes âgées accueillies dans résidences d’hébergement. Ce faisant, cet article présente à un public ergothérapique francophone ce cadre conceptuel qui permet de repérer et de combattre les injustices occupationnelles et épistémiques vécues par plusieurs personnes et communautés au sein de diverses sociétés, et ce, par la mise en place de processus hautement collaboratifs avec les personnes et les communautés concernées ainsi que divers partenaires locaux, sociétaux ou internationaux. Certaines forces et limites du CCJO sont également précisées.
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 | 0.011 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.019 | 0.033 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.008 | 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".