Intervention inspirée de la thérapie centrée sur les émotions pour promouvoir la régulation émotionnelle et faciliter le retour au travail des employés en arrêt maladie
Bibliographic record
Abstract
Le retour au travail (RaT) d’un employé en absence de maladie pour un trouble mental courant peut être entravé par divers obstacles, notamment des relations interpersonnelles complexes ou conflictuelles. Ces dynamiques peuvent s’accompagner d’émotions complexes, mal régulées ou difficilement identifiables par le travailleur. La psychothérapie centrée sur les émotions, développée par Leslie Greenberg (2020), propose des techniques favorisant une meilleure régulation émotionnelle, pouvant ainsi soutenir un RaT plus harmonieux. Cet article vise à présenter un ensemble de techniques spécifiques permettant à la personne de faire face aux émotions complexes et inadaptées qui surgissent dans le cadre de relations difficiles réelles ou anticipées lors du RaT. Tout d’abord, le rationnel qui sous-tend le travail sur les émotions en psychothérapie et l’importance de la régulation émotionnelle dans le fonctionnement de la personne seront présentés. Par la suite, les techniques de focusing , de dialogue à chaise vide et de dialogue à 2 chaises seront exposées accompagnées de leurs objectifs spécifiques. Ces interventions sont illustrées à l’aide d’une vignette clinique portant sur un employé en absence pour un trouble de l’adaptation avec des difficultés relationnelles avec sa supérieure immédiate. Bien que prometteuse, cette intervention novatrice appliquée au contexte particulier du RaT devra être testée pour à la fois évaluer le fonctionnement émotionnel de l’employé et la réussite de son RaT.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".