Les facteurs de rétention des employés : cas du secteur manufacturier
Bibliographic record
Abstract
Le Canada est confronté à une pénurie de main-d’oeuvre. Une meilleure compréhension des facteurs qui influencent le roulement du personnel peut aider à formuler de meilleures stratégies afin de diminuer le taux le roulement et augmenter la productivité en contexte de concurrence féroce. La présente étude porte sur l’exploration de facteurs de la rétention du personnel dans un contexte de pénurie de main-d’oeuvre. \nNotre méthodologie de recherche est quantitative avec diverses analyses, à savoir l’analyse en composantes principales (ACP), la corrélation et la régression économétrique. L’ACP nous a permis de construire des indicateurs synthétiques de la satisfaction et de la motivation \nau travail. Par ailleurs, la corrélation et les régressions économétriques nous ont permis de mettre en évidence les relations existantes entre la satisfaction, la motivation et la rétention des employées au travail sans oublier les déterminants sociodémographiques. La population à l’étude est constituée de l’ensemble des emplois d’une entreprise manufacturière québécoise de la région d’Abitibi-Témiscamingue qui est spécialisée dans la conception, la fabrication et la réparation de produits métalliques. \nLes résultats de cette recherche nous révèlent que les employés qui bénéficient du meilleur processus de motivation peuvent manifester une plus grande motivation et afficher un niveau plus élevé de satisfaction au travail. Par conséquent, leur intention de rester augmente et le taux de roulement diminue. De plus, des facteurs sociodémographiques augmentent aussi la probabilité de rester en emploi et réduisent en conséquence le taux de roulement. Cette étude contribue de manière significative à la littérature existante sur la motivation, la satisfaction et la rétention des employés en examinant l’aspect inexploré de la satisfaction de différentes manières (satisfaction extrinsèque et intrinsèque) et ouvre d’autres perspectives de recherche. \nBien que les conditions de travail aient nettement progressées depuis le milieu du XXe siècle, quitter ou avoir l’intention de quitter est toujours la grande préoccupation pour toute entreprise. Mettre en place des stratégies efficaces pour la rétention de la main-d’oeuvre est une pratique gagnante et bénéfique pour les entreprises dans un contexte de pénurie de maind’oeuvre .Les prochaines recherches pourront se pencher davantage sur cette question.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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; both teacher heads agree on what is shown here.
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".