Stratégies de retour au travail d’employés ayant fait l’expérience d’une dépression : perspectives des employeurs et des cadres des ressources humaines
Bibliographic record
Abstract
La dépression majeure est l’une des premières causes d’incapacité au travail dans le monde et a de nombreuses conséquences tant sur l’employé concerné qu’auprès des acteurs du milieu de travail. ObjectifNous visons à documenter, selon la perspective des employeurs et des cadres des ressources humaines, les stratégies que ces acteurs préconisent dans leur organisation pour faciliter le retour au travail (RaT) d’employés en absence maladie due à une dépression. MéthodeDeux cent dix-neuf employeurs et cadres de ressources humaines (n = 219) ont accepté de répondre à une entrevue semi-structurée téléphonique. La question abordée dans cet article était : « Selon vous, quelles sont les stratégies les plus efficaces pour aider un employé ayant reçu un diagnostic de dépression à retourner au travail ? » La codification duverbatima été effectuée à partir d’études empiriques et de théories existantes. RésultatsTrente-quatre (34) stratégies réparties sur six grands principes ont émergé : 1) Contact avec l’employé en absence maladie (10 stratégies) ; 2) Évaluation et planification du RaT sans précipitation (6) ; 3) Formation des gestionnaires et du collectif de travail à la problématique de la santé mentale au travail (4) ; 4) Concertation des acteurs clés du RaT (4) ; 5) RaT progressif avec aménagements (4) ; 6) Suivi de la santé de l’employé et de son travail (6). ConclusionCes principes articulés autour de 34 stratégies du RaT vont au-delà d’un processus étapiste de nature chronologique. Articulés dans un programme de RaT, ils devront être testés afin d’évaluer leurs retombées dans les organisations, notamment sur la gestion de l’incapacité 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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".