Sondage auprès des fonctionnaires fédéraux, 2022-2023 [Canada]
Bibliographic record
Abstract
Le Secrétariat du Conseil du Trésor du Canada et Statistique Canada se sont associés pour administrer le Sondage auprès des fonctionnaires fédéraux (SAFF) de 2022-2023. Le sondage, réalisé à l'échelle de la fonction publique fédérale, vise à fournir des renseignements pour appuyer l'amélioration continue des pratiques de gestion du personnel dans la fonction publique fédérale. Les résultats permettent aux organismes fédéraux de déterminer leurs points forts et leurs points faibles sur des sujets liés à la mobilisation des employé(e)s, au milieu de travail hybride, à l'équité et à l'inclusion, ainsi qu'au bien-être en milieu de travail. Les ministères et organismes sont en mesure d'évaluer et de suivre les progrès au fil du temps, et de contribuer à l'élaboration et à l'amélioration des plans d'action. Les employé(e)s ont l'occasion unique de faire part de leurs expériences et de définir la voie à suivre pour améliorer la qualité du milieu de travail fédéral. De meilleures pratiques de gestion du personnel entraînent de meilleurs résultats pour la fonction publique et, par le fait même, pour les Canadiennes et les Canadiens. Les renseignements fournis par les employé(e)s peuvent aussi être utilisés par Statistique Canada à d'autres fins statistiques et de recherche. Bien qu'elle soit volontaire, la participation des employées est importante afin que les renseignements recueillis soient aussi exacts et complets que possible.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 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".