Workplace support for employees with cancer
Notice bibliographique
Résumé
OBJECTIVE: The aim of the present study was to survey human resources personnel about how their northeastern Ontario workplaces assist employees with cancer. STUDY DESIGN AND SETTING: This cross-sectional study was conducted from December 2007 to April 2008. Surveys were sent to 255 workplaces in northeastern Ontario with 25 or more employees, and 101 workplaces responded (39.6% response rate). Logistic regression modelling was used to identify factors associated with more or less workplace support. More or less workplace support was defined by provision of paid time to employees with medical appointments and an offer of a return-to-work meeting and reduced hours for employees with cancer. Factors considered in the model included organization size, geographic location (urban, rural), and workplace type (private sector, public sector). RESULTS: Most of the human resources staff who completed the surveys were women (67.4%), and respondents ranged in age from 25 to 70 years (mean: 45.30 ± 8.10 years). Respondents reported working for organizations that ranged in size from 25 to more than 9000 employees. In the logistic regression model, large organization size [odds ratio (or): 6.97; 95% confidence interval (ci): 1.34 to 36.2] and public sector (or: 4.98; 95% ci: 1.16 to 21.3) were associated with employer assistance. Public sector employers provided assistance at a rate 5 times that of private sector employers, and large organizations (>50 employees) provided assistance at a rate 7 times that of smaller organizations. CONCLUSIONS: In the population studied, employees with cancer benefit from working in larger and public sector organizations. The data suggest a need for further support for employees with cancer in some other organizations.
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 | 0,000 |
| 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 ».