Compromis et arbitrages dans l’activité : réflexions à partir du modèle de double régulation
Bibliographic record
Abstract
Les ergonomes s’appuient depuis les années 1970 sur le modèle de double régulation proposé par Jacques Leplat pour rendre compte des compromis complexes effectués par les opérateurs dans l’activité de travail. Ce texte retrace la genèse et les transformations des représentations de ce modèle pour comprendre ses évolutions, en nous intéressant en particulier à la notion de couplage et en soulignant l’importance des compromis dans les régulations de l’activité. La notion de compromis est mobilisée et complétée par la notion d’arbitrage dans l’étude du travail des opérateurs d’une ligne de production automobile qui déploie les principes de la production lean. Cette étude illustre la façon dont les opérateurs gèrent en temps réel les incidents et les variabilités de la production par une réélaboration collective des règles concernant deux dispositifs de la production lean : le système Andon et le marquage au sol. Des compromis et arbitrages se révèlent nécessaires pour maintenir la continuité de la production, malgré des objectifs parfois contradictoires. Les arbitrages sont ici considérés comme une forme spécifique des compromis et désignent les situations dans lesquelles le compromis acceptable ne peut pas être trouvé dans la réalisation des buts sans l’intervention d’un tiers, un arbitre. L’intervention tierce, dans notre cas le responsable de l’Unité de Production, autorise et rend légitime la nouvelle règle.
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 | 0.008 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.017 |
| Scholarly communication | 0.010 | 0.014 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 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".