Using the Accreditation Canada Quality Worklife revalidated Model to predict healthy work environments
Notice bibliographique
Résumé
Background The relevance of improving quality worklife in implementing healthy workplaces successfully has been demonstrated by both the Canadian Health Services Research Foundation and Accreditation Canada. In partnership with Accreditation Canada, this article focuses on two issues: the relationships between quality worklife and healthy work environment, and the prediction of healthy work environments using Accreditation Canada’s revalidated Quality Worklife Model. Methods Using the 2008 and 2010 de-identified worklife data gathered among staff in organisations participating in the Qmentum accreditation program from all Canadian provinces (9,578 French speaking and 16,398 English-speaking respondents), this article attempts to demonstrate how the Quality Worklife revalidated Model predicts healthy work environments. The revalidation of the Quality Worklife Model was done using first principal component factor analysis (FA) with direct oblimin rotations (using SPSS 16.0), followed by a confirmatory factor analyses (using LISREL 8.80) on the French and the English samples. Furthermore, multivariate analyses of variance were conducted in order to detect mean differences between the different work environment groups linked to the psychological and physical consequences. Results The results suggest that the healthy work environment group is associated with high work adjustment, good physical and mental health as well as low absenteeism and health-related presenteeism. On the other hand, the results suggest that the poor work environment group and to a less significant extent the subthreshold work environment is associated with low work adjustment, poor physical and mental health and high absenteeism and health-related presenteeism. Conclusion The proposed model suggests that by categorising the Quality Worklife scores in three work environment groups based on a sample set of 11 quality worklife items, it becomes possible to predict employees’ risk of having poor work adjustment, poor mental and physical health, and poor work-related behaviours.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».