Pratiques de gestion des ressources humaines et engagement envers l'organisation
Bibliographic record
Abstract
Résumé Au moment même où le contexte démographique aurait dû inciter les organisations à mettre tout en œuvre pour favoriser l’engagement et la fidélisation de leurs employés, voilà que la détérioration soudaine du contexte économique au cours de la dernière année a obligé plusieurs d’entre elles à procéder à d’importants licenciements et à restreindre les dépenses, que ce soit en éliminant les primes, en abaissant les salaires ou en réduisant les activités de formation. Ce faisant, plusieurs organisations mettent à rude épreuve l’engagement et la satisfaction au travail de leurs employés, ce qui peut diminuer tant leur capacité à les retenir que leur performance. Cet article présente les résultats d’une enquête sur les pratiques de GRH gagnantes. Ainsi, les organisations sondées auraient intérêt à investir davantage dans les pratiques de rémunération, de formation et de développement, d’évaluation de la performance, de communication et de participation ainsi que de conciliation du travail et de la vie personnelle. Des recommandations sont formulées, notamment au regard de l’importance du diagnostic des pratiques de GRH propres à chaque organisation et de la gestion du changement.
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 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".