L' harmonisation travail-vie personnelle des gestionnaires du réseau de la santé : exploration des défis et des stratégies
Bibliographic record
Abstract
L’objectif de cet article est de proposer un cadre d’analyse des défis que doivent relever des gestionnaires du réseau de la santé lors de la réalisation d’une démarche d’harmonisation travail-vie personnelle. Les résultats s’appuient sur l’analyse qualitative d'autodiagnostics d’harmonisation travail-vie personnelle de 84 gestionnaires évoluant dans un contexte de travail sous pression. À l’aide d’une méthode d’analyse de contenu, cet article dresse un panorama détaillé des problèmes vécus et des stratégies mobilisées par des gestionnaires du réseau québécois de la santé pour résoudre certains conflits de travail-vie personnelle. À titre de contribution à la littérature existante, nous proposons une typologie de cinq types de stratégies – de gestion, affectives, de légitimation, de réduction de surcharge, et temporelles – par lesquelles des gestionnaires tentent de créer et de maintenir leur équilibre de vie. L’efficacité de ces stratégies est discutée et illustrée au moyen de cas servant de modèles, ou prototypes.
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 | 0.010 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".