Approche appréciative et utilisation des forces en milieu organisationnel : une évaluation comparative de deux démarches associées au bien-être et à la performance au travail
Notice bibliographique
Résumé
Strengths and Appreciative Inquiry (AI) interventions can represent an interesting opportunity for organizations wishing to support their employees in the development of their well-being, their commitment and their performance at work. Indeed, in recent years, multiple studies have supported the beneficial effects of such interventions in this regard (Ameer & Zubair, 2020; Conkright, 2011; Harzer et al., 2021; Gradito, Dubord & Forest, 2022; Meyers et al. al., 2019, Oxendine et al., 2022). However, a lack of experimental studies is noted. Furthermore, although these two approaches have common points, a comparison of their effects has never yet been carried out.Thus, the primary objective of this research is to carry out a systematic review of the impacts of the use and development of strengths as well as the use of AI in the workplace. The second objective is to conduct an empirical study, using a quasi-experimental design, allowing, on one hand, to validate the postulated effect of interventions based on AI and on the development of strengths with regard to different aspects relating to the well-being, commitment and performance of employees, and on the other hand, to compare them with each other in a differentiated way.The results demonstrate the beneficial impacts of strengths-based and AI interventions on well-being, performance and engagement.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».