Comment améliorer le bien-être psychologique au travail?
Bibliographic record
Abstract
Résumé Le dicton «Un travailleur heureux est un travailleur productif» fait partie du sens commun pour plusieurs cadres, mais comment peut-on amener les employés à s’épanouir au travail? Qu’est-ce que le bien-être psychologique au travail et comment est-il possible de l’améliorer? Malgré l’intérêt croissant que soulèvent ces questions, on en sait beaucoup plus sur la manière de traiter des problèmes de santé mentale au travail que sur la manière de favoriser une excellente santé psychologique au travail. Sur la base de notre étude et des différents écrits scientifiques sur le sujet, nous présentons les cinq ingrédients clés du bien-être psychologique au travail : entretenir des relations interpersonnelles positives, s’épanouir dans son travail, se sentir compétent, se sentir reconnu dans son travail et désirer s’engager activement dans son milieu de travail. Afin d’aider les cadres à agir sur ces composantes essentielles, nous énonçons des stratégies d’intervention propres à chacune d’elles, en suggérant des applications sur les plans individuel, collectif et organisationnel, puis nous listons certaines conditions de succès et des défis à relever en la matière. Au moyen de ces stratégies de gestion accessibles, il paraît réaliste de faire de chaque milieu de travail un endroit où l’on peut tendre vers une expérience de travail saine et optimale. Fonctions : management, GRH
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 | 0.009 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.018 | 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".