Content development for a tool to assess the preparedness of employment environment to welcome people with visual impairment
Bibliographic record
Abstract
Le taux de chômage des personnes vivant avec une déficience visuelle (PDV) demeure préoccupant, malgré la mise en place de lois progressistes et d’actions diverses pour favoriser leur emploi. Les PDV éprouvent continuellement des difficultés d'intégration à l'emploi en raison de barrières dans le marché du travail et de l’inaccessibilité des lieux de travail. L'objectif de ce mémoire était de développer le contenu d'un outil de mesure qui pourrait évaluer l’état de préparation des milieux de travail pour accueillir des PDV. L’objectif a été atteint en deux temps. Premièrement, une synthèse de la littérature scientifique a permis de prendre la mesure des connaissances existantes et d’identifier les lacunes dans la recherche sur l'intégration à l'emploi. Deuxièmement, une étude co-créative a exploré les expériences vécues d’employés vivant avec une déficience visuelle et celles d’experts dans la création d’environnement de travail prêt à employer des PDV. Les résultats indiquent que traditionnellement l’approche pour faciliter l'intégration à l'emploi des PDV visait l'identification d’obstacles et de facilitateurs à la réussite professionnelle. Cette approche axée sur l’individu, souhaitait préparer les PDV à l'emploi. Peu de recherches ont été menées sur les efforts déployés par les employeurs et sur l’environnement de travail. Même si le milieu de travail a été identifié comme facteur de réussite et comme barrière dans l'intégration en emploi, aucune approche n'existe pour préparer les employeurs à l'arrivée de PDV. L’atteinte d’une répartition équitable des efforts impliquant tous les déterminants dans la réussite passe inévitablement par la préparation des environnements d'emploi.
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 | 0.015 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.006 |
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".