Workers’ perspectives on the effects of telework during the COVID-19 pandemic on their well-being: A qualitative study in Canada
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic caused an unprecedented health emergency across the world. Public health measures aimed at slowing the spread of the virus impose measures concerning physical distancing that citizens must observe. Thousands of workers quickly found themselves having to telework, with no preparation by their organizations. The literature reports the positive effects of teleworking on certain indicators of well-being, as well as best teleworking practices in a normal context. The urgent and unplanned nature of the switch to teleworking in a crisis may have changed the relationship between teleworking and well-being. OBJECTIVE: This study aimed to explore workers' perspectives on teleworking in the context of the COVID-19 pandemic, regarding its effects on their well-being. METHODS: Following a descriptive interpretive research design, we collected qualitative data from 15 teleworkers via focus groups and individual interviews. Two researchers used a thematic analysis strategy to analyze the data. RESULTS: Data analysis led to identifying 16 factors that participants cited as influencing the well-being of teleworkers. These form eight categories: delays related to uncertainty, manager practices, organizational practices, social interactions, job characteristics, teleworking space, personal realities and personal practices. The results show the influence of interactions between work demands, control and social support on the well-being of workers. CONCLUSION: Because of its many advantages, organizations and their workers will increasingly engage in telework. The influences of telework on people's well-being call for implementing concrete "best practices" that are applicable and that consider workers' perspectives.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».