Utiliser le design inclusif pour développer une formation destinée à des personnes en milieu de travail ayant des limitations cognitives
Bibliographic record
Abstract
Les technologies en milieu de travail sont devenues une réalité incontournable au Québec (CDÉACF, 2021). Qu’en est-il des compétences numériques des travailleur.ses québécois.es qui ont des limitations cognitives? Ces personnes sont-elles exclues, pour la majorité, des possibilités sans limites qu’offre le monde numérique? Comment rendre accessible le développement de ces compétences auprès de cette population? Selon les quelques entreprises au Québec qui embauchent majoritairement des travailleur.ses vivant avec des limitations cognitives, il ressort que ces personnes n’ont pas d’emblée les compétences technologiques de base nécessaires pour fonctionner harmonieusement en société. Utiliser des outils de communication, acheter en ligne des divertissements, trouver un itinéraire d’autobus, créer, conserver et classer des documents, télécharger des applications, faire une recherche en ligne, etc., toutes ces compétences numériques sont essentielles à leur intégration dans la société. Dans le cadre de cette communication, nous présenterons comment l’approche du design inclusif a été utilisée dans une recherche-développement pour s’assurer de la convivialité, de la lisibilité et de la pertinence du contenu à apprendre via la plateforme en ligne TAQ-TIC qui se veut personnalisée et ludique. Nous discuterons également comment revoir nos pratiques auprès de cette clientèle pour nous assurer que les contenus les rejoignent.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".