L'impact du programme d'aide aux employés sur l'assiduité des employés en difficulté à la STCUM
Bibliographic record
Abstract
Des efforts considérables ont souvent été déployés par les employeurs depuis plusieurs années pour contrer le problème de l'absentéisme et réduire les comportements problématiques dans l'entreprise. Parmi ces mesures, on note l'apparition des Programmes d'aide aux employés; ces organismes visent d'abord l'amélioration du bien-être de l'employé et par conséquent, celui de l'entreprise. La littérature qui traite des bienfaits des PAE manque cependant de rigueur pour établir clairement, donc sans équivoque, les relations entre le PAE et les divers indicateurs d'une amélioration de l'assiduité. Les études que l'on retrouve sur les PAE n'adoptent pas de modèle systématique et nous observons des lacunes méthodologiques importantes : absence de groupes témoins, données restreintes, échantillons trop petits, etc. Par ailleurs, les caractéristiques occupationnelles et individuelles des utilisateurs du PAE sont pour la plupart connues et bien identifiés. En somme, il faut admettre qu'il est difficile de cerner tout le contexte dans lequel une problématique s'inscrit et évolue. La présente étude peut en quelque sorte offrir un canevas à des recherches plus systématiques. Cette étude est réalisée dans une grande organisation montréalaise, soit la Société de transport de la Communauté urbaine de Montréal. Nous avons sélectionné à la STCUM 233 individus ayant bénéficié d'une intervention au PAE. Ce qui représente 67% de la population totale qui a fréquenté le PAE en 1989, 1990 et 1991. Les données furent colligées pour chaque cas durant 4 ans, soit 2 ans avant leur passage au PAE et 2 ans après leur démarche. Nous avons identifié 10 variables indépendantes susceptibles d'influencer l'absentéisme qui constitue notre variable dépendante. Nous avons aussi répertorié 6 formes d'absentéisme dont 3 sont mesurées en terme de fréquence et de durée : les absences pour maladies personnelles, pour accidents de travail, pour maladies dans la famille. Quant aux 3 autres formes d'absentéisme suivantes, elles furent mesurées seulement en terme de fréquence «avant et après» le PAE : les absences sans permission, les retards au travail et les absences dues aux mesures disciplinaires. Le cadre de référence comporte ainsi 18 mesures distinctes de l'absentéisme, soit 9 mesurant l'absentéisme qui prévalait AVANT le PAE et 9 autres APRÈS la venue au PAE (Schéma à la page 86). Notre étude est animée par 4 grandes questions de recherche, à savoir : l. Quel est le profil qui caractérise les clients du PAE (en terme de traits individuels, occupationnels, situationnels et de taux d'absentéisme) ? 2. Comment évoluent les comportements absentéistes entre eux, avant et après le passage des employés au PAE (corrélations bivariées) ? 3. Y-a-t-il des différences de moyennes significatives dans les taux d'absentéisme entre AVANT et APRÈS le passage des employés au PAE (Pair T-Test) ? Y a-t-il aussi des différences de moyennes significatives lorsqu'on sélectionne des groupes d'individus en particulier (Pair T-Test avec «select cases» ) ? 4. Est-ce que l'amélioration ou la détérioration de l'absentéisme constatée après le passage des employés au PAE varie significativement en fonction des éléments (catégoriques et nominales) de chacune de nos 10 variables indépendantes (analyse de variance Oneway) ? Les résultats de cette recherche font état d'une amélioration indéniable de l'assiduité quant à sa fréquence et ceci pour toutes les formes d'absentéisme considérées dans notre modèle. Il y a donc la démonstration claire d'une diminution de l'absentéisme suite à la relation d'aide.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 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".