Stratégies adaptatives pour la formation et l’intégration professionnelle des personnes autistes : des environnements immersifs à l’accompagnement des pratiques
Bibliographic record
Abstract
Le taux d’employabilité des personnes en situation de vulnérabilité, notamment des personnes autistes, demeure faible, tant au Québec qu’à l’échelle internationale. Malgré les efforts déployés pour favoriser l’inclusion, l’accès au marché du travail reste limité par des défis liés aux compétences techniques et aux interactions sociales. Ce projet vise à faciliter la formation à distance et l’adaptation au travail des personnes autistes en développant des environnements immersifs et interactifs, conçus pour renforcer leur confiance et leur autonomie. À travers des dispositifs numériques, nous avons conçu des scénarios d’apprentissage permettant d’expérimenter progressivement des situations professionnelles, d’anticiper les interactions sociales et de mieux gérer la charge cognitive et émotionnelle. Ces outils offrent un cadre structuré et ajustable aux besoins des travailleurs neurodivergents, en tenant compte de leurs parcours et des défis d’intégration professionnelle. Une première validation expérimentale auprès de travailleurs autistes suggère une modulation de l’engagement et de l’adaptation sociale en environnement immersif. Les analyses révèlent des marqueurs physiologiques liés à la régulation émotionnelle et à la synchronie dyadique, appuyant l’hypothèse d’une adaptation progressive aux interactions professionnelles simulées. En ajustant la formation aux exigences du milieu de travail, cette approche favorise une intégration plus durable.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".