A new roadmap for an age-inclusive workforce management practice and an international policies comparison
Notice bibliographique
Résumé
Background Worldwide, the worker population age is growing at an increasing rate. Consequently, government institutions and companies are being tasked to find new ways to address age-related workforce management challenges and opportunities. The development of age-friendly working environments to enhance ageing workforce inclusion and diversity has become a current management and national policy imperative. Since an ageing workforce population is a spreading worldwide trend, an identification and analysis of worker age related best practices across different countries would help the development of novel palliative paradigms and initiatives. Methods This study proposes a new systematic research-based roadmap that aims to support executives and administrators in implementing an age-inclusive workforce management program. The roadmap integrates and builds on published literature, best practices, and international policies and initiatives that were identified, collected, and analysed by the authors. The roadmap provides a critical comparison of age-inclusive management practices and policies at three different levels of intervention: international, country, and company. Data collection and analysis was conducted simultaneously across eight countries: Canada, France, Germany, Italy, Japan, New Zealand, Slovenia, and the USA. Results and conclusions The findings of this research guide the development of a framework and roadmap to help manage the challenges and opportunities of an ageing workforce in moving towards a more sustainable, inclusive, and resilient labour force.
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 | 0,123 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,009 | 0,011 |
| Communication savante | 0,023 | 0,040 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,009 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».