La fidélisation de la main-d’œuvre en contexte de forte incertitude : le rôle du leadership des gestionnaires de proximité
Bibliographic record
Abstract
Depuis quelques années, la rareté de la main-d’œuvre préoccupe les gestionnaires et dirigeants d’entreprises. L’actuelle pandémie de la Covid-19, qui chamboule le déroulement régulier des activités organisationnelles, a exacerbé ces inquiétudes, amplifiant la concurrence entre les entreprises pour acquérir une main-d’œuvre diversifiée et mobile. Dans ce contexte, l’importance du capital humain comme actif stratégique oblige les entreprises à concentrer leurs efforts sur le développement d’actions favorisant une fidélisation accrue des employés. Partant de l’expérience et du vécu de gestionnaires de proximité, cet article s’intéresse aux actions et aux comportements qui ont permis à ces gestionnaires de s’adapter et de répondre aux nouvelles réalités du télétravail pendant les moments forts de la pandémie de Covid-19, tout en assurant le maintien du bien-être et de l’engagement de leurs employés. Cette étude repose sur 18 entrevues semi-dirigées réalisées à l’été 2021 auprès de gestionnaires de proximité amenés à gérer, durant la pandémie, des équipes à distance au sein dans une grande entreprise du secteur bancaire. Nos résultats mettent en lumière le travail et la position privilégiée de ces gestionnaires dans la gestion de cette crise pour soutenir les employés, reconnaître et comprendre leurs attentes et leurs besoins durant cette période marquée par l'incertitude et la gestion à distance. Nos résultats nous amènent également à dégager des constats en termes de pratiques de leadership, considérant qu’encore très peu d’études se sont intéressées au leadership et à son efficacité en temps de crise.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.012 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".