Peut-on gérer la performance et le bien-être des employés? Une revue de littérature et quelques propositions de recherche sur les pratiques innovantes en gestion de la performance
Bibliographic record
Abstract
Le présent article vise à synthétiser les connaissances actuelles en regard des pratiques émergentes de gestion de la performance qui ont pour but de favoriser la performance et le bien-être des employés au travail. Plus précisément, cet article discute des connaissances à ce jour et des zones grises pour chacune des trois pratiques suivantes : 1) l’abandon des cotes de performance; 2) l’arrimage de la gestion de la performance avec le développement des employés; 3) la gestion de la performance par les forces. Des organisations réputées comme Adobe et Deloitte ont été à l’avant-garde de ces nouvelles pratiques et plusieurs organisations adoptent leurs démarches. Toutefois, les praticiens et les chercheurs ne connaissent pas nécessairement encore tous les impacts de ces pratiques à long terme. L’efficacité et la pertinence de chacune de ces pratiques dans le monde de la gestion sont discutées, tout en considérant l’aspect du bien-être des employés. Étant donné le manque relatif de connaissances sur l’abandon des cotes de performance, l’accent sur le développement et la gestion de la performance par les forces, l’article ouvre également sur des pistes prometteuses pour les chercheurs. Ces propositions de recherche pourraient aider les praticiens et les chercheurs à éventuellement répondre aux défis qui confrontent actuellement les organisations en matière de gestion de la performance.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".