Discrimination liée à l’âge et burnout : des effets différenciés selon l’âge à travers la perspective temporelle future professionnelle
Bibliographic record
Abstract
La discrimination liée à l’âge est un facteur de risque susceptible de conduire au burnout, en particulier chez les travailleurs âgés (Volpone & Avery, 2013). Cependant, peu d’études se sont attachées à examiner les processus explicatifs des effets de la discrimination liée à l’âge sur le burnout. Cette recherche analyse les effets de la discrimination liée à l’âge sur le burnout à travers la perspective temporelle future au travail (Zacher & Frese, 2009), selon l’âge des travailleurs. Une étude cross-sectionnelle par questionnaire en ligne a été menée auprès de 231 travailleurs tout venants. Les résultats mettent en évidence que la discrimination liée à l’âge est positivement associée au burnout chez les travailleurs âgés mais pas chez les travailleurs jeunes, à travers la réduction de leur perspective temporelle future professionnelle. Il apparaît en outre que les travailleurs d’âge médian sont également affectés par la discrimination liée à l’âge via la réduction de leur perspective temporelle future, posant la question des effets de la menace identitaire liée à l’appartenance future stigmatisée. Enfin, les résultats contribuent aux études récentes utilisant le Burnout Assement Tool (BAT, Schaufeli et al., 2020) comme outil de mesure du burnout. Des pistes de recommandation sont proposées pour lutter contre la discrimination liée à l’âge et prévenir le burnout.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".