Improving Autistic Experiences in the Workplace: Key Factors and Actionable Steps
Notice bibliographique
Résumé
Autistic adults have higher rates of unemployment and underemployment than non-autistic adults with and without disabilities. While previous work has highlighted factors specific to individuals and/or job sectors that serve as barriers or facilitators to autistic employment, the question of how to modify the workplace to best support autistic people remains under-researched. The present study utilized an ecological framework to investigate what workplace factors can be modified to improve autistic experiences and how these modifications may be enacted across different levels of workplace ecosystem to promote autistic success. Autistic participants (N = 85) across employment sectors provided quantitative ratings and written descriptions of positive and negative factors related to their workplace experiences. Quantitative and qualitative analyses were used to examine which factors and overarching principles most impact employment. Actionable strategies to modify these factors were derived from participant responses and validated by autistic collaborators and neuroinclusion experts. On average, participants rated task training as having the most positive, and mental health as having the most negative, impact on their employment. Participants described four themes (acceptance, communication, autonomy, accommodations) that can be embedded in the work environment to improve experiences. Steps to improve autistic employment that can be enacted by stakeholders across levels of the workplace experiences are provided. Autistic adults face multifaceted barriers to employment across levels of the workplace. Modifying the workplace itself, across multiple levels and stakeholders, may serve to improve autistic employment outcomes.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».