Work Characteristics and Personal Social Support as Determinants of Subjective Well-Being
Notice bibliographique
Résumé
BACKGROUND: Well-being is an important health outcome and a potential national indicator of policy success. There is a need for longitudinal epidemiological surveys to understand determinants of well-being. This study examines the role of personal social support and psychosocial work environment as predictors of well-being in an occupational cohort study. METHODS: Social support and work characteristics were measured by questionnaire in 5182 United Kingdom civil servants from phase 1 of the Whitehall II study and were used to predict subjective well-being assessed using the Affect Balance Scale (range -15 to 15, SD = 4.2) at phase 2. External assessments of job control and demands were provided by personnel managers. RESULTS: Higher levels of well-being were predicted by high levels of confiding/emotional support (difference in mean from the reference group with low levels of confiding/emotional support = 0.63, 95%CI 0.38-0.89, p(trend)<0.001), high control at work (0.57, 95%CI 0.31-0.83, p(trend)<0.001; reference low control) and low levels of job strain (0.60, 95%CI 0.31-0.88; reference high job strain), after adjusting for a range of confounding factors and affect balance score at baseline. Higher externally assessed work pace was also associated with greater well-being. CONCLUSIONS: Our results suggest that the psychosocial work environment and personal relationships have independent effects on subjective well-being. Policies designed to increase national well-being should take account of the quality of working conditions and factors that facilitate positive personal relationships. Policies designed to improve workplaces should focus not only on minimising negative aspects of work but also on increasing the positive aspects of 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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».