Keeping Up! Older Workers’ Adaptation in the Workplace after Age 55
Bibliographic record
Abstract
RÉSUMÉ Comment les travailleurs âgés, après l’âge de 55 ans, peuvent-ils se maintenir et s’adapter à un milieu de travail en évolution? En explorant cette question, cette étude a examiné précisément comment les changements liés à l’âge touchent aux travailleurs, comment les travailleurs âgés font face à une perte de ressources, comment ils s’engagent dans la gestion de leur vie, et pourquoi certains parmi eux réussissent plus que d’autres. Une analyse profondie a été réalisée en utilisant 32 entretiens semi-directifs menés avec les travailleurs âgés de 55 a 64 ans. Une analyse profondie a été réalisée en utilisant 32 entretiens semi-directifs menés avec les travailleurs âgés de 55 a 64 ans. Nos conclusions suggèrent que les travailleurs les plus vieux utilisent diverses stratégies pour s’adapter à un changement de ressources, et que ces stratégies les aident à se débrouiller et maintenir leur fonctionnement dans leur milieu de travail. Comme les plus vieux travailleurs exigent des types différents de soutien d’employeur, notre étude fournit une compréhension de comment les employeurs peuvent fournir ce soutien pour encourager de plus vieux travailleurs pour rester dans la main-d’oeuvre plus longue. Nous suggérons aussi plusieurs avenues pour la recherche future, y compris explorer le rôle de sources internes de soutien.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".