Testing job typologies and identifying at-risk subpopulations using factor mixture models.
Notice bibliographique
Résumé
Research in occupational health psychology has tended to focus on the effects of single job characteristics or various job characteristics combined into 1 factor. However, such a variable-centered approach does not account for the clustering of job attributes among groups of employees. We addressed this issue by using a person-centered approach to (a) investigate the occurrence of different empirical constellations of perceived job stressors and resources and (b) validate the meaningfulness of profiles by analyzing their association with employee well-being and performance. We applied factor mixture modeling to identify profiles in 4 large samples consisting of employees in Switzerland (Studies 1 and 2) and the United States (Studies 3 and 4). We identified 2 profiles that spanned the 4 samples, with 1 reflecting a combination of relatively low stressors and high resources (P1) and the other relatively high stressors and low resources (P3). The profiles differed mainly in terms of their organizational and social aspects. Employees in P1 reported significantly higher mean levels of job satisfaction, performance, and general health, and lower means in exhaustion compared with P3. Additional analyses showed differential relationships between job attributes and outcomes depending on profile membership. These findings may benefit organizational interventions as they show that perceived work stressors and resources more strongly influence satisfaction and well-being in particular profiles. (PsycINFO Database Record
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 | 0,002 | 0,001 |
| 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 | 0,002 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».