How Well We Know Wellness: Closing the Gap on Wellness Program Research in the Workplace Through Mixed-methods Topic Modelling
Notice bibliographique
Résumé
This research brings together a systematic literature review, topic modeling, and qualitative analysis in a novel, mixed method approach to synthesize research on workplace wellness interventions and offer directions for future research. First, we conducted a systematic literature review to create a corpus of 5,674 research publications on wellness intervention research. Next, topic modeling, a quantitative machine learning technique that identifies key topics, was deployed to extract trends within the corpus. Finally, abstracts were qualitatively coded according to a framework that examined: 1) journal outlets and disciplines publishing workplace wellness intervention research; 2) different types of wellness interventions that are studied in workplaces; 3) dependent variables measured as outcomes of wellness interventions, and any reported mechanisms or theories of change linking the intervention to the outcomes; 4) methodologies utilized by researchers and their corresponding rigor; and 5) context the research takes place within. Interestingly, despite growing recognition that wellness is multi-dimensional, ‘wellness’ is increasingly operationalized using primarily psychological outcomes. Other trends depicted a lack of consistency in research design, program theory, and results making it difficult to specify how or why a program is beneficial for a specific population and setting, and the extent to which results were reliable.
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 | 0,220 | 0,302 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,012 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,014 | 0,022 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».