À la recherche du cadre idéal : regard sur la formation du jugement sur la compétence des cadres et des professionnels dans le processus de recrutement
Bibliographic record
Abstract
Ce mémoire traite de la formation du jugement des recruteurs sur la compétence des candidats à un poste de cadre ou de professionnel à l'occasion d'un processus de dotation. La compétence, ne possédant pas d'existence matérielle propre, est abordée sous l'angle d'une convention. L'analyse thématique du discours de 30 recruteurs œuvrant dans des entreprises privées de la région de Québec a permis de saisir et d'analyser les variations de leur jugement sur les compétences des candidats à l'embauche, selon certains facteurs internes et externes à l'entreprise. Dans un premier temps, la formation du candidat, son expérience professionnelle et ses qualités personnelles ont été abordées à travers l'analyse de la valeur, de la signification et de l'importance que les recruteurs leur portent dans le processus de recrutement. Cette échelle des critères utilisée dans l'appréciation de la compétence a été reprise dans un deuxième temps et analysée selon la fiabilité que les recruteurs accordent aux informations recueillies sur le candidat en tenant compte de leur provenance : CV, entrevue, réseau ou références d'anciens employeurs.
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 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.012 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".