Approche appréciative et utilisation des forces en milieu organisationnel : une évaluation comparative de deux démarches associées au bien-être et à la performance au travail
Bibliographic record
Abstract
L’approche des forces et l’approche de l’enquête appréciative (AEA) peuvent représenter une opportunité intéressante pour les entreprises souhaitant accompagner leurs employés dans le développement de leur bien-être, de leur engagement et de leur performance au travail. En effet, sur les dernières années, de multiples études ont étayé les effets bénéfiques de telles interventions à cet égard (Ameer & Zubair, 2020 ; Conkright, 2011 ; Harzer et al., 2021 ; Gradito, Dubord & Forest, 2022 ; Meyers et al., 2019, Oxendine et al., 2022). Cependant, à l’heure actuelle, un manque d’études expérimentales est constaté. De plus, bien que ces deux démarches présentent des points communs, la comparaison de leurs effets n’a encore jamais été réalisée.Ainsi, la présente recherche se fixe pour premier objectif d’effectuer une revue systématique des impacts de l’utilisation et du développement des forces ainsi que de l’utilisation de l’AEA en milieu de travail. Le second objectif est de conduire une étude empirique, à l’aide d’un devis quasi-expérimental, permettant, d’une part, de valider l’effet postulé des interventions basées sur l’AEA et sur le développement des forces quant à différents aspects relatifs au bien-être, à l’engagement et à la performance des employés, et d’autre part, de les comparer l’une à l’autre de manière différenciée.Les résultats démontrent les impacts bénéfiques des interventions basées sur les forces et l’AEA sur le bien-être, la performance et l’engagement.
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 | 0.046 | 0.055 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.006 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| 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".