MétaCan
Menu
Retour à la cohorte
Enregistrement W4411709036 · doi:10.1108/jcre-09-2024-0033

Developing a transdisciplinary and adaptive framework to measure health and well-being for the workplace: the 12 competencies

2025· article· en· W4411709036 sur OpenAlexaff
Angela Loder, Christhina Cândido, Sergio Altomonte, Whitney Austin Gray, Casey Lindberg, Susan Sung Eun Chung, Ina Rothmann, Avis Devine, Yoko Kawai, Usha Satish, Sally Augustin

Notice bibliographique

RevueJournal of Corporate Real Estate · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueWorkplace Health and Well-being
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésMeasure (data warehouse)PsychologyBusinessKnowledge managementSociologyComputer science

Résumé

récupéré en direct d'OpenAlex

Purpose Measuring and tracking health and well-being is challenging for organizations due to a lack of education linking outcomes to interventions and a disciplinary siloing of approaches and tools. To address this, this paper aims to explore adaptive and transdisciplinary design-research methods to develop an evidence-based holistic framework to measure health and well-being. Design/methodology/approach An interdisciplinary working group of researchers from academia and industry used a combination of adaptive and transdisciplinary approaches to develop a holistic framework for measuring health and well-being. The six-stage, iterative process drew on multiple theoretical models, frameworks, leading survey tools, thematic literature review and known gaps and barriers to healthy workplaces to create broad “competence areas” supported by domains, dimensions and conceptual models. Findings Five interconnected levels known to impact health and well-being were identified, within which 12 competencies are nested. Each competency is broad enough to enable benchmarking. Detailed domains and dimensions help organizations understand what to measure and track for health and well-being and can adapt as research evolves. The framework addresses industry gaps by connecting leading and lagging indicators to allow for a more systemic approach to measuring health and well-being. Originality/value Transdisciplinary and adaptive frameworks can support academic research while enabling immediate industry application. By focusing on core indicators for well-being across different disciplines, this framework increases feasibility and understanding, enables multiple tools/methods to be used in implementation and can adapt as methods and knowledge change. This can support organizational goals such as social governance responsibilities to measure and report on health and well-being.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,401
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,379
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Corporate Real EstateMême sujetWorkplace Health and Well-beingTravaux en français237 207