Gestionnaires compatissants pour des employés performants et heureux : examen du rôle médiateur du climat émotionnel
Bibliographic record
Abstract
En 2023, l’Observatoire québécois de la santé et du mieux-être au travail a constaté que 25,4 % des 6 602 travailleurs interrogés présentaient des symptômes d’épuisement professionnel. Quels leviers prioriser afin de réduire cette statistique tout en répondant aux besoins de performance des organisations ? Il existe à l’heure actuelle une opportunité de contribuer à la littérature scientifique en précisant la façon dont le gestionnaire peut soutenir le bien-être et la performance de ses équipes. C’est pourquoi la présente recherche examine le rôle contributif de la compassion managériale dans le soutien d’un climat émotionnel positif, de la performance des employés et de la réduction de leur niveau d’épuisement émotionnel. La collecte de données a eu lieu par questionnaires autoadministrés dans un milieu bancaire italien et rassemble 77 gestionnaires et leurs employés. Des analyses de corrélation, des régressions linéaires ainsi que des analyses de médiation ont été conduites avec la macro PROCESS de SPSS (version 3.5.3). Les résultats révèlent des liens significatifs unissant la compassion managériale et la performance ainsi qu’entre le climat émotionnel et le niveau d’épuisement émotionnel rapporté. Enfin, l’étude répond aux appels récents de San Roman Niaves (2023) et de Farr Wharton et al. (2023) en évaluant empiriquement l’effet de la compassion managériale sur plusieurs variables clés, ouvrant des pistes d’intervention pour les organisations désireuses de concilier santé et performance.
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".