Retour et maintien durable au travail en contexte de petites et moyennes entreprises
Bibliographic record
Abstract
L’incapacité au travail reliée aux troubles musculosquelettiques (TMS) constitue un fardeau important à l’échelle mondiale. La gestion des invalidités et le retour et maintien durable au travail (RMDT) sont essentiels pour prévenir l’incapacité au travail. Des principes de la gestion des invalidités et des bonnes pratiques de RMDT sont établis pour la grande entreprise. Même si plusieurs recherches indiquent l’existence de contraintes particulières pour les petites et moyennes entreprises (PME), peu d’études décrivent les actions de prévention d’incapacité au travail ou les principaux facteurs de difficulté et de succès pour un retour et maintien durable au travail (RMDT) dans ce type d’entreprise. Les objectifs de l’étude sont de décrire les pratiques de gestion des invalidités pour différents contextes de PME, et d’identifier des défis et des leviers à l’application des bonnes pratiques pour le RMDT pour différentes caractéristiques et conditions de contexte de PME. Un devis qualitatif descriptif a été utilisé. Un échantillonnage de convenance a permis d'explorer les perspectives des parties prenantes dans la gestion des invalidités et le RMDT dans les PME. Des entretiens individuels d’environ une heure ont été menés auprès de dirigeants ou responsables de la gestion des invalidités au travail dans 8 PME du secteur manufacturier au Québec. Ensuite, deux groupes de discussion focalisés hétérogènes, d’une durée d’une heure trente chacun, ont été menés avec 16 représentants des parties prenantes externes (mutuelles de prévention, assureurs et professionnels en réadaptation). Des guides d’entretien ont été élaborés en fonction des objectifs et des connaissances issues de travaux antérieurs. Ils ont été validés au sein de l’équipe de recherche. Les entretiens et les groupes de discussion étaient enregistrés et les verbatim transcrits. Leur contenu codé, il a ensuite été analysé par 2 professionnels suivant une grille d’analyse. Les désaccords interjuges ont été résolus par recherche de consensus avec l’aide d’une chercheuse. Les résultats mettent en évidence que la gestion des invalidités dans les PME participantes est centrée sur la gestion médico-administrative des absences. Les principes favorisant le RMDT sont généralement connus par les gestionnaires des PME participantes. Cependant, les pratiques de RMDT restent peu formalisées, appliquées différemment selon les contextes d’entreprises. Le recours à l’assignation temporaire apparaît comme un élément central à la stratégie de RMDT des responsables de la gestion des invalidités. Néanmoins, la faible disponibilité et diversité des postes peut rendre la prise en compte difficile des capacités et des intérêts du travailleur lors de la mise en place de celle-ci. La collaboration entre la personne en incapacité, le supérieur immédiat et le travailleur dans le choix, l’implantation et le suivi des solutions apparaît comme un levier potentiel. Un autre levier semble être le recours à des ressources externes, comme l’appel à des professionnels de réadaptation et le soutien de mutuelles de prévention proactives. Un consensus se dégage parmi les parties prenantes externes selon lequel, généralement, une entreprise de moins de 100 travailleurs possède moins de ressources humaines et dispose de moins d’accès à des structures externes pour les guider dans la mise en place des connaissances sur les aménagements de RMDT. En conclusion, les pratiques de gestion des invalidités de RMDT rapportées par les participants suggèrent un besoin de sensibilisation et d’encadrement des gestionnaires sur le processus de RMDT, et sur l’importance du respect des limitations fonctionnelles lors de la mise en place et au suivi de l’assignation temporaire. Les enjeux uniques de la gestion des invalidités et du RMDT dans les PME invitent les parties prenantes et gouvernantes à une réflexion systémique sur les possibilités de mettre en place des mécanismes collaboratifs pour mieux soutenir les PME. Une avenue de recherche prometteuse qui semble se dégager de la présente étude serait d’explorer le potentiel des approches intégrées de prévention de l’incapacité, adaptées à la diversité des contextes organisationnels des PME dans le secteur manufacturier.
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 | 0.008 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.002 |
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".