Emotional exhaustion across the workday: Person-level and day-level predictors of workday emotional exhaustion growth curves.
Notice bibliographique
Résumé
Despite empirical findings that have established the dynamic nature of emotional exhaustion (EE), the temporal processes underlying the development of EE over meaningful spans of time have largely been ignored in research. Drawing from theories that outline the roles of resources and demands at work (Demerouti et al., 2001; Halbesleben et al., 2014; Hobfoll, 1989; ten Brummelhuis & Bakker, 2012), the present study developed and tested hypotheses pertaining to the form and predictors of workday EE trajectories. Experience sampling methodology was utilized to assess the momentary EE of 114 employees three times per day over a total of 925 days and 2,808 event-level surveys. Within-day EE growth curves (i.e., intercepts and slopes) were then derived, and the variance of these growth curve terms was partitioned into within-person (i.e., variance in growth curve parameters across days for each person) and between-person (i.e., variance in average growth curve parameters across people) sources. Results supported an increasing pattern of EE across the workday and also demonstrated substantial between- and within-person variance in intercepts (i.e., start) and slopes (i.e., growth) over the workday. In addition, support was found for a set of resource-providing and resource-consuming predictors of EE growth curves, including customer mistreatment, social interactions with coworkers, prior evening psychological detachment, perceived supervisor support, and autonomous and controlled motivations for one's job. (PsycInfo Database Record (c) 2025 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 | 0,001 |
| 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) | 0,001 | 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 ».