Influence de l'intelligence artificielle sur les travailleurs et sur leurs tâches
Bibliographic record
Abstract
De plus en plus les technologie innovantes tel que l'intelligence artificielle sont introduites dans des organisation des secteurs sensibles tel que le secteur de l'électricité. Le fait de s'interroger sur les enjeux, et les impacts de leurs utilisations massives devient une réelle préoccupation pour la société et son devenir. Cette question est d'autant plus présente lorsqu'il subsiste un doute quant à ces effets sur les travailleurs ou sur les tâches que ces travailleurs doivent accomplir au quotidien. Dans le but d'apporter une contribution à cette préoccupation de la société la présente recherche s'intéresse aux impacts de l'utilisation de l'intelligence artificielle sur les travailleurs et sur leurs tâches. Au travers de la lentille offerte par la théorie de l'adéquation tache-technologie, en deux études, une revue de la littérature et une étude de cas unique, la présente recherche passe en revue les utilisations présentes dans la littérature, qui sont faites de l'IA dans les organisations du secteur de l'électricité. Cette recherche sonde quels en sont les impacts sur les travailleurs et sur leurs tâches et enfin examine la contribution des structures de gouvernances dans cette relation. L'étude de cas, dans une organisation du secteur de l'électricité au Canada permettra entre autres de rapprocher les résultats et d'ouvrir de nouvelles perceptives pour la recherche et la pratique.
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 | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".