Les systèmes d’intelligence artificielle dans le processus du recrutement et les droits des travailleurs entre l’Union Européenne et le Québec : vers une meilleure protection ou une discrimination aggravée
Bibliographic record
Abstract
Dans un monde en plein transformation vers le numérique, le recours aux systèmes d’intelligence artificielle aux fins de faciliter les tâches n’est plus une nouvelle. Le monde du travail et notamment le recrutement sont presque totalement envahies par ces systèmes. La prise de la décision de recruter une personne ou bien de la refuser est maintenant dédiée à des algorithmes. Cependant, cela contribue souvent à des cas de discrimination ou de marginalisation d’un groupe de personnes protégé. Une lutte contre ces discriminations est inévitable. À cette fin, des efforts importants ont été employés au niveau législatif et règlementaire dans l’Union Européenne et récemment au Québec. Le Règlement Général sur la Protection des Données adopté par le parlement européen d’une part et la Loi modernisant des dispositions législatives en matière de protection des renseignements personnels au Québec sont les pionnières à ce niveau. Cependant, la discrimination est toujours présente. Ce mémoire porte sur une comparaison de ces deux textes qui nous montre qu’aux fins d’assurer une meilleure protection à ce niveau, beaucoup d’autres mesures soit éthiques, soit réglementaires, doivent être prises en compte.
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 | 0.010 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".