Garantir un réel accès à la justice efficace aux travailleuses domestiques migrantes : obstacles systémiques et conceptualisation du droit - perspectives canadiennes et internationales

Malgré une demande croissante dans le secteur du travail domestique et un poids économique mondial considérable, les travailleuses domestiques migrantes demeurent parmi les plus précaires et les plus exploitées de la planète. Invisibles, isolées et travaillant pour des particuliers dans des résidences privées, elles échappent aux catégories traditionnelles d’emploi. Ces travailleuses se retrouvent alors à évoluer en marge du cadre légal ou encore, elles peinent à faire appliquer correctement les lois conçues pour les protéger. Ce mémoire cherche donc à analyser les manières d’envisager le droit afin de garantir un réel accès à la justice pour les travailleuses domestiques migrantes. En abordant d’abord les obstacles systémiques qui font échec à la réglementation du secteur domestique à travers le monde, cette recherche démontre une inadéquation du droit traditionnel à la réalité des travailleuses par l’analyse des effets de la réglementation canadienne qui leur est applicable. À la lumière de la récente Convention concernant le travail décent pour les travailleuses et travailleurs domestiques, ce mémoire démontre qu’une conceptualisation du droit basée sur le pluralisme juridique fournit des alternatives aux travailleuses domestiques migrantes pour accéder à la justice. Ultimement, l’empowerment de ces travailleuses par leur inclusion dans le dialogue social couplé à une réglementation adaptée à leur réalité permettra d’assurer une protection efficace de leurs droits.

Modified Large Margin Nearest Neighbor Metric Learning for Regression

The main objective of this letter is to formulate a new approach of learning a Mahalanobis distance metric for nearest neighbor regression from a training sample set. We propose a modified version of the large margin nearest neighbor metric learning method to deal with regression problems. As an application, the prediction of post-operative trunk 3-D shapes in scoliosis surgery using nearest neighbor regression is described. Accuracy of the proposed method is quantitatively evaluated through experiments on real medical data.