Décisions de transformation et sous-estimation des savoir et savoir-faire impliqués : le cas des activités de manutention
Bibliographic record
Abstract
Le travail a progressivement connu des mutations dans tous ses aspects, notamment celui relatif à sa nature : manuel et/ou intellectuel. Parmi les nombreuses causes de ces changements figurent le progrès technologique, le développement de l’intelligence artificielle, l’usage répandu de l’Internet, l’automatisation et la robotisation des activités. Ces mutations ont été accompagnées d’une accélération de la chute des emplois manuels dans certains secteurs, en particulier manufacturiers, en même temps qu’on a observé, dans d’autres secteurs, une pénurie de main-d’oeuvre dans les emplois à composante manuelle et dont l’exécution des tâches implique une mobilisation de connaissances (le savoir) et donne lieu à des pratiques (le savoir-faire) souvent sous-estimées. Ces changements ont généré des décisions de transformation, prises souvent sans compréhension suffisante des savoirs et savoir-faire impliqués, ce qui constitue une source de difficultés qu’il est pertinent d’examiner à travers le présent article. Dans un premier temps, ces difficultés sont cernées, puis analysées pour essayer de comprendre comment, dans une société dite de la connaissance, les savoirs et savoir-faire des travailleurs peuvent être autant ignorés. Dans un second temps, nous présentons des exemples de savoir et de savoir-faire associés à des activités manuelles et les problèmes résultant des décisions de transformation qui ne les ont pas prises suffisamment en compte.
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 | 0.003 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".