Is it Time for Four? An Analysis of the Four-Day Workweek
Notice bibliographique
Résumé
Have you ever sat down on a Sunday night wishing that your weekend did not fly by and was a bit longer? Do you sometimes wish you had more time to do the things you love outside of work? This is where the four-day workweek comes in. Over time, we have seen the standard United States workweek evolve from what was once a sixty-hour week, to a forty-hour week, and now we see that four-day, compressed workweeks are being implemented across not only the United States, but around the world. Increasing amounts of attention have been going towards work-life balance, job satisfaction, and employee productivity and in this paper, we will be looking at how the four-day workweek affects these variables and explore the reasons behind different findings. There have been many case studies and amounts of research conducted on these topics, but the result varies. Typically, the four-day workweek consists of four 10-hour days, but in some cases, it consists of four eight-hour days. Generally, pay will remain the same for employees who take on this schedule, which is an important factor. There are many reasons behind why a company would implement such a schedule, which include the desire to reduce costs of operating daily, reducing employee burnout, and increasing employee retention, in addition to the variables just discussed, work-life balance, productivity, and job satisfaction (Agovino, 2021). The four-day workweek is a very popular topic today and we will seek to understand the ways in which it affects employees.
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 | 0,014 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,006 | 0,024 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,012 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,010 |
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; les deux têtes enseignantes 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 ».