« Boucliers numériques » ? L’impact du télétravail sur le harcèlement et la discrimination au travail : une étude qualitative
Bibliographic record
Abstract
À mesure que, partout dans le monde, les organisations adoptent le télétravail, la dynamique du harcèlement et de la discrimination sur le lieu de travail subit des changements significatifs. Cette étude examine l’influence du télétravail sur ces comportements problématiques, en se concentrant plus particulièrement sur les expériences et les perceptions des employés fédéraux canadiens. Elle étudie la manière dont le passage d’un environnement de bureau traditionnel à un environnement à distance affecte les interactions interpersonnelles et la manifestation de problèmes sur le lieu de travail. La séparation physique entre collègues dans le cadre du télétravail tend à minimiser les confrontations directes, ce qui peut réduire la fréquence du harcèlement et de la discrimination. Cependant, l’étude révèle également des défis critiques associés aux environnements de travail virtuels. L’anonymat et le détachement physique qui caractérisent la communication numérique peuvent parfois intensifier les comportements discriminatoires. En l’absence d’interactions directes, il est plus difficile d’identifier ces comportements et d’y remédier, car le support numérique peut masquer l’identité des auteurs et réduire la responsabilité généralement présente dans les espaces de travail physiques. Ainsi, si le télétravail peut présenter des avantages en réduisant certaines formes de harcèlement et de discrimination sur le lieu de travail, des politiques et des stratégies solides sont nécessaires pour contrer les défis qu’il introduit. Les résultats de l’étude indiquent que si le télétravail peut conduire à la réduction des incidents de harcèlement et de discrimination, les complexités de la communication numérique nécessitent une gestion prudente pour éviter d’exacerber ces problèmes.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".