Les relations entre les compétences des professionnels en ressources humaines, les caractéristiques des clients et leur satisfaction par lâapproche des constituantes multiples
Bibliographic record
Abstract
Cette étude empirique que nous avons appliquée à l’ingénierie-conseil, vise principalement deux objectifs ; (1) la validation des relations entre certaines caractéristiques des clients des services de ressources humaines et leur niveau de satisfaction face à ces services et (2) l’étude des relations entre les compétences des professionnels RH et le niveau de satisfaction des clients. Nous avons retenu un cadre théorique qui est constitué principalement de l’approche des constituantes multiples.\n\nNotre modèle d’analyse suppose que la satisfaction des groupes-clients d’un SRH est influencée par onze facteurs. De ces facteurs, cinq reflètent les caractéristiques des clients ; 1-l’engagement, 2-le sexe, 3-l’âge, 4-l’ancienneté et 5-la fréquence des contacts. Les six autres facteurs représentent les compétences des professionnels en ressources humaines ; 1-expert en ressources humaines, 2-allié de l’organisation, 3-gestion de la culture et du changement, 4-architecte stratégique, 5-gestion de talent et 6-activiste crédible. Pour les fins de notre recherche, nous retenons une approche quantitative et qualitative.\n\nLes résultats des analyses bivariées ne confirment pas nos hypothèses. Par contre, l’ancienneté et l’âge des clients semblent avoir une relation négative avec la satisfaction des clients. Quant à l’analyse de contenu des entrevues effectuées auprès des professionnels ressources humaines d’une organisation, elle permet de faire ressortir les liens entre la satisfaction et cinq compétences. Celles-ci sont l’expert en ressources humaines, l’allié de l’organisation, la gestion de la culture et du changement, la gestion du talent et l’activiste crédible. Ainsi, cinq propositions sont supportées.
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 | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.042 | 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".