Une analyse des profils motivationnels afin de mieux comprendre l’effet des contraintes et ressources professionnelles en emploi
Bibliographic record
Abstract
La recherche basée sur la théorie de l’autodétermination met de l’avant l’importance de la présence simultanée de quatre types de motivation (intrinsèque, identifiée, introjectée, et extrinsèque) au sein des individus. La présente étude a pour objectif de découvrir comment les contraintes (p.ex., charge de travail) et les ressources (p.ex., soutien du superviseur) au travail sont liées à différents profils motivationnels. Un deuxième but de l’étude est d’identifier les conséquences des différents profils motivationnels pour le bien-être des employés (stress). Des analyses de profil latent réalisées sur un vaste échantillon de gestionnaires et d’employés (n = 1914) ont révélés la présence de quatre profils motivationnels. En outre, des analyses de régression logistiques ont démontré que le profil motivationnel élevé (niveau élevé des quatre formes de motivation) est plus fortement associé aux ressources, tandis que les profils très faible et faible (niveau faible des quatre types de motivation) sont plus fortement associés à la présence de conditions de travail considérées comme des contraintes. Finalement, le profil élevé démontre une association négative avec le niveau de stress. Les résultats amènent des recommandations pratiques quant aux manières les plus efficaces de favoriser une motivation élevée chez les employés.
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 | 0.007 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".