Prévenir les risques psychosociaux : une étude des perceptions et des pratiques des employeurs
Bibliographic record
Abstract
L’article porte sur les pratiques mises en oeuvre pour prévenir les risques psychosociaux (RPS) dans les entreprises. Selon les connaissances scientifiques actuelles, réduire ces risques requiert une approche intégrée qui vise à développer les ressources collectives et individuelles des travailleurs, ainsi qu’à réduire leurs contraintes professionnelles. Toutefois très peu de publications ont porté sur la façon dont les employeurs appréhendent effectivement ces questions. L’objectif de cette étude est de mieux comprendre les pratiques de prévention déclarées par des dirigeants d’entreprises, en relation avec la manière dont ils perçoivent l’exposition de leur personnel aux RPS. Nous avons élaboré un cadre d’analyse exploratoire des relations entre la prévention des RPS, la perception des facteurs de risques par les employeurs et diverses caractéristiques des entreprises. Ce cadre a servi de base à une enquête auprès de 404 établissements. À partir d’analyses factorielles et de régressions multiples, l’étude a fait émerger deux modes de prévention : 1- des mesures de gestion spécifique des RPS axées sur les procédures et la formation et liées principalement au risque d’atteinte à l’intégrité personnelle (harcèlement, agressions, discrimination, confrontation à des événements traumatisants) ; et 2- des mesures d’amélioration générale des conditions de travail (organisation, horaires, équipements et environnement de travail) qui peuvent contribuer à renforcer les ressources, mais que les employeurs ne perçoivent guère comme de la prévention des RPS. Les pratiques sont liées à des variables structurelles, ainsi qu’aux modes de participation et de gestion des risques professionnels dans leur ensemble, davantage qu’à la perception de l’employeur concernant l’exposition aux RPS. Les résultats soulignent deux défis pour les autorités. Le premier consiste à faire adopter par les entreprises une approche plus globale, non centrée sur les phénomènes de harcèlement. Le second réside dans le renforcement de mesures de prévention ayant un impact favorable sur l’activité réelle de 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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".