Measuring the Contribution of Workers' Health and Psychosocial Work‐Environment on Production Efficiency
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
Increasingly many firms have started to implement programs intended to improve the workers' health and the psychosocial work‐environment, as well as other attributes of labor quality. Motivated by the need for evaluating to what extent the programs affect a firm's productivity performance, this study discusses a model for analyzing the contribution of labor quality attributes toward firm productivity. To assess the contribution from the labor quality attributes, we model firm productivity as the outcome of two separate processes within a firm: the physical production process and the labor quality process. Firm productivity is measured by a Malmquist‐like productivity index and is computed by Data Envelopment Analysis. Based on bootstrap methods we analyze potential statistical bias and provide bias‐corrected productivity estimates. The labor quality attributes are first modeled at an individual worker level as latent variables using Item Response Theory, and then aggregated to a firm‐level. The model is empirically validated using data from three manufacturing plants that participated in a coordinated worksite health promotion program. Over a 4‐year period (2000–2003), we observed a general improvement in efficiency of 2–5%, half of which could be attributed to an improvement in workers' health and psychosocial work‐environment. A key benefit with the model is that it is practical, easy to implement, and very fast to compute. The model also constructively contributes to the discourse on sustainability by providing a framework for deriving meaningful metrics and providing tangible measurements on the effect of sustainability‐related issues.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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