Modelling human boredom at work: mathematical formulations and a probabilistic framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Boredom is believed to be the common cause of workers' absenteeism, accidents, job dissatisfaction, and performance variations in manufacturing environments with repetitive jobs. Effectively measuring and possibly predicting job boredom is the key to the design and implementation of appropriate strategies to deal with such undesirable emotional state. The purpose of this paper is to present new methodologies to measure and predict human boredom at work. Design/methodology/approach Two series of mathematical formulations, linear and nonlinear, to describe the variation of human boredom at work are first presented. Given the complexity of human emotions, the authors also present a probabilistic framework based on state‐of‐the‐art Bayesian networks to model employees' boredom at work. Findings The proposed methods centre on the prediction and measurement of human boredom at work. They enable managers to take proactive actions to deal with human boredom at work. Examples of such actions are task rotation and job redesign. Research limitations/implications The proposed methods are verified using a number of cases describing a set of phenomena that may occur in the real world. However, further research is required to demonstrate the validity of the models using real world data. Originality/value According to accessible literature, human boredom is being measured by self reporting scales thus far. This study describes and demonstrates analytical approaches to model human boredom at work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle