L’effet d’un programme de santé et de mieux-être en milieu de travail sur les invalidités de courte durée, les accidents du travail et le retour sur investissement
Bibliographic record
Abstract
Ce mémoire vise à étudier l’effet d’un défi santé centré sur la perte de poids, au sein d’un programme de santé et de mieux-être, dans une organisation du Québec, sur les invalidités de courte durée, les accidents du travail et le retour sur investissement qui en résulte. Les analyses quantitatives ont été réalisées à partir d’une base de données existante dans laquelle 1 981 employés ont été retenus dans une grande compagnie canadienne employant plus de 2 400 personnes. Les données ont été analysées sur une période de 15 mois, soit six mois avant l’intervention (période pré-intervention), trois mois durant l’intervention et six mois suivant l’intervention (période post-intervention). Les résultats indiquent que seule la fréquence des accidents du travail est significativement plus importante chez les non-participants lorsqu’on les compare avec les participants dans la période post-intervention. Lorsqu’on compare ces deux groupes entre les périodes pré et post-intervention, on remarque que les résultats des participants sont demeurés stables dans le temps tandis que ceux des non-participants se sont détériorés quant à la fréquence et à la durée des absences reliées à des invalidités de courte durée et à celle des accidents du travail. Aussi, l’âge des participants exerce un effet modérateur sur les accidents du travail puisque les résultats montrent que les participants plus jeunes (18 à 44 ans) obtiennent une fréquence d’accidents du travail inférieure à celle des employés plus âgés (45 ans et plus) du même groupe. Par contre, le genre n’a pas un tel effet de modération. Enfin, le retour sur investissement du programme est estimé à six dollars pour chaque dollar investi. Finalement, les résultats obtenus permettent de montrer aux employeurs qu’investir dans un défi santé centré sur la perte poids génère des effets quantitatifs et qualitatifs positifs importants sur leur main-d’œuvre. Ce programme permet de sensibiliser les employés à bien s’alimenter et à faire de l’activité physique, ce qui favorise l’atteinte d’un poids santé et ainsi de freiner l’augmentation annuelle de l’absentéisme que l’on observe sur le marché du travail.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".