Discrimination génétique lors de la pré-embauche : élaboration d'une politique d'encadrement
Bibliographic record
Abstract
Depuis l'avènement du Projet de génome humain, les progrès biotechnologiques déboulent à un rythme effréné. Or, les développements en matière de génétique humaine, riches de promesses pour améliorer la santé et le bien-être, pourraient être utilisés à des fins désastreuses, à savoir la possibilité de discrimination fondée sur les caractéristiques génétiques. Dans le domaine de l'emploi, et particulièrement au stade de la pré-embauche, une telle discrimination pourrait se manifester par le refus d'emploi ou l'offre de moins bonnes conditions d'emploi. En conséquence, l'information génétique utilisée à des fins discriminatoires pourrait considérablement ralentir l'acceptation des nouvelles technologies génétiques. Il faut déterminer si l'encadrement actuel est adéquat compte tenu des problématiques soulevées par l'utilisation du test génétique lors de la préembauche. Ce mémoire présente de façon simplifiée les éléments scientifiques liés à la génétique, fournit de l'information sur le Projet de génome humain, expose les applications actuelles du test génétique dans le milieu de travail et examine les enjeux économiques et éthiques soulevés par ce sujet. Par la suite, nous analysons les avantages et les inconvénients des trois approches relatives aux politiques d'encadrement à la discrimination génétique lors du recrutement des futurs employés. Cette analyse est suivie d'un compte rendu de la situation au Québec pour enfin proposer quelques recommandations de manière à encourager l'élaboration d'une politique d'encadrement satisfaisante.
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 | 0.039 | 0.052 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.012 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.006 | 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".