L’impact de la crise de la COVID-19 sur les emplois du <i>care</i> : une partition déjà connue?
Bibliographic record
Abstract
La crise de la COVID-19 a mis en lumière l’importance de reconnaître le travail des femmes, notamment celles qui fournissent les services essentiels et de proximité et qui oeuvrent en particulier dans le domaine du care . Cette crise a aussi exacerbé la difficulté des conditions de travail et de l’organisation du travail des personnes exerçant ces métiers et professions. Nous examinons l’impact de la crise de la COVID-19 sur les personnes oeuvrant dans les métiers et professions du care à l’aide de méthodes mixtes. Des entrevues et un questionnaire soumis à un certain nombre d’entre elles révèlent qu’en temps de crise, certains services et certaines tâches ont été réorganisés de manière ponctuelle, ce qui a eu pour effet de dégrader les conditions de travail et de l’organisation du travail de ces personnes, entraînant notamment une hausse de l’utilisation des compétences féminisées et une augmentation du stress ressenti. Quelques modifications temporaires se sont également avérées bénéfiques et représentent des pistes de solution prometteuses. Nous concluons en proposant de telles pistes de solution et de réflexion afin de favoriser une meilleure valorisation des emplois du care , notamment dans le secteur de la santé et des services sociaux.
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 | 0.026 | 0.052 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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".