Building psychosocial safety climate in turbulent times: The case of COVID-19.
Notice bibliographique
Résumé
Our theoretically driven cluster-randomized cohort control study sought to understand how psychosocial safety climate (PSC)-a climate to protect worker psychological health-could be built in different organizational change scenarios. We drew on event system theory to characterize change (planned vs. shock) as an event (observable, bounded in time and space, nonroutine) to understand how events connect and impact organizational behavior and features (e.g., job design, PSC). Event 1 was an 8-month planned intervention involving training middle managers to enact PSC in work units and reduce job stressors. Event 2 was the shock COVID-19 pandemic which occurred midintervention (at 4 months). Three waves (T1, 0 months; T2, 4 months; T3, 8 months) of data were collected from experimental (295T1, 224T2, 119T3) and control (236T1, 138T2, 83T3) employees across 22 work groups. Multilevel analysis showed in Event 1 (T1T2) a significant Group × Time effect where PSC (particularly management priority) significantly increased in the experimental versus control group. Under Event 2 (T2T3), PSC was maintained at higher levels in the experimental versus control group but both groups reported significantly increased PSC communication and commitment. Results suggest that middle management training increases PSC within 4 months. Event 2, COVID-19 was shocking and its novelty, disruption, criticality, and timing in Australian industrial history enabled a strong top management response, positively affecting the control group. PSC may be sustained and built in times of shock with top management will, the application of PSC principles, and a top-level pro-psychological health agenda. (PsycInfo Database Record (c) 2021 APA, all rights reserved).
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 | 0,004 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».