Diagnostic de la présence des femmes dans l'industrie métallurgique au Québec : contribution au dialogue social sur l'équité, la diversité et l'inclusion
Bibliographic record
Abstract
Facteurs pouvant expliquer la sous-représentationLe deuxième objectif visait à identifier et à comprendre les facteurs explicatifs de la sous-représentation des femmes.Les acteurs de l'industrie métallurgique ont identifié des obstacles qui sont cohérents avec ceux recensés dans la littérature pour l'industrie manufacturière en général et pour d'autres secteurs majoritairement masculins.Ce sont principalement la disponibilité limitée des femmes, leur manque de connaissances ou d'intérêt pour le secteur de la métallurgie et ses métiers, la pénibilité du travail, les horaires contraignants ainsi qu'une culture organisationnelle homogène et parfois sexiste.D'autres obstacles identifiés dans le diagnostic sectoriel du CSMO-M en 2022, à savoir les perceptions selon lesquelles l'industrie ne serait pas adaptée aux femmes et le faible nombre de candidatures féminines, l'ont aussi été dans notre recherche.Bien que la littérature identifie plusieurs pratiques organisationnelles comme étant des obstacles potentiels à la sous-représentation des femmes, peu de ces pratiques sont reconnues comme telles par les employeurs du secteur, à l'exception des biais inconscients et des préjugés des gestionnaires et recruteurs. 1 Nous utilisons de manière interchangeable les termes « industrie de la première transformation des métaux au Québec », « industrie métallurgique » et «secteur de la métallurgie» dans ce document.2 Les groupes occupationnels qui seront à l'étude sont ceux de la production (dont les groupes de la CNP 941, 961) et professionnels-techniques (dont les groupes de la CNP 213, 214, 223, 723 et 73).Documenter les rôles, les responsabilités et l'engagement face aux enjeux d'EDI des principaux acteurs impliqués dans le dialogue social.La structure de ce rapport est alignée aux sous-objectifs du projet de recherche.Après avoir clarifié certains concepts et la méthodologie de recherche, nous présentons un chapitre sur le portrait de la sous-représentation des femmes dans le secteur, un autre sur les Tableau 4.5 -Proportion de femmes selon la catégorie d'emploi 9 Dans la présentation des résultats, les personnes sondées sont celles qui ont répondu au sondage en ligne et les personnes rencontrées sont celles ayant participé à un groupe de discussion ou un entretien.Catégories d'emploi Proportion moyenne de femmes dans la catégorie en % Écart-type Proportion minimale en % Proportion maximale en % Proportion dans le diagnostic sectoriel en % Employés de production (opérateur d'équipement de production, journalier, aide-opérateur, etc.) sans diplôme, diplôme secondaire ou professionnel 10,9 13,2 0 46,5 6,0 Employés d'entretien (ex.mécanicien industriel, électricien industriel, électromécanicien, plombier-tuyauteur) possédant un diplôme professionnel 0,8 2,3
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".