Effets des facteurs psychosociaux au travail sur la santé mentale. Une revue de littérature des études prospectives portant sur trois modèles émergents
Bibliographic record
Abstract
Les études mesurant les effets des facteurs psychosociaux au travail sur la santé mentale utilisent de préférence les modèles largement documentés de demande-latitude-support (DLS) de Karasek et al. et de déséquilibre-effort-reconnaissance (DER) de Siegrist. Or il existe d’autres modèles théoriques encore peu documentés, exploités et / ou analysés. Par une revue de littérature d’études prospectives réalisées dans les pays industrialisés de 1990 à 2010, notre article a pour objectif de présenter les modèles DLS et DER et de préciser leurs limites, d’exposer l’état des connaissances concernant l’effet sur la santé mentale des facteurs psychosociaux de trois modèles émergents (la justice organisationnelle, le leadership, et la prévisibilité – ou prédictabilité – au travail), et de déterminer si ces effets sont indépendants des modèles DLS et DER. Les résultats des études démontrent que les facteurs psychosociaux mesurés par le modèle de la justice organisationnelle ont des effets délétères sur la santé mentale, indépendamment des modèles DLS et DER. Des effets négatifs du leadership et de la prévisibilité sur la santé mentale ont également été observés dans une majorité des études, mais le nombre limité d’études prospectives ne permet pas de conclure de façon aussi assurée au statut explicatif de ces modèles. Quoi qu’il en soit, les modèles émergents permettent de mesurer certains facteurs psychosociaux non pris en compte par les modèles DLS et DER et nous semblent mériter d’être intégrés dans de futures études prospectives sur la santé au 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 | 0.007 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".