| Titre | Positive mental health in work and private life: Extending modeling to a data-driven approach | |
|---|---|---|
| Auteur | Franck F. Jaotombo | |
 |
Revue | @GRH |
| Numéro | no 50, 2024/1 Numéro spécial : Recherche quantitative exploratoire en GRH | |
| Page | 77-109 | |
| Résumé |
Cette recherche vise à étendre le concept de la Santé Mentale Positive (PMH) (Keyes, 2002) conçu comme épanouissement, d'un contexte général aux contextes spécifiques professionnel et privé. D'un point de vue conceptuel, à la lumière de la conception intégrée d'équilibre vie privée & vie professionnelle (Sirgy & Lee, 2018), nous explorons l'éventualité que les structures factorielles de la PMH entre vie privée et vie professionnelle puissent être corrélées, mais distinctes. En termes de méthodologie, nous intégrons plusieurs approches. Nous analysons le construit multidimensionnel de PMH en intégrant simultanément un facteur général et des facteurs spécifiques. Pour ce faire, nous nous appuyons sur une approche à la fois centrée sur les variables et sur les personnes, en tenant simultanément compte des contextes au travail et hors travail. Deux différentes études sont menées – d'échantillons respectifs de taille n=304 et n=1066 – pour explorer la structure factorielle de ce construit étendu et intégré de PMH. Pour chacune d'entre elles, une modélisation en équations structurelles exploratoires bifactorielle (Bi-ESEM) offre le meilleur ajustement aux données. Une analyse en classe latente permet d'explorer les différentes classes de PMH illustrant chacune une typologie différente de PMH dans un contexte professionnel-privé. Une méthode d'apprentissage supervisé (arbres de classification) est utilisée pour diagnostiquer efficacement l'attribution des individus à chaque classe. En s'appuyant sur ces résultats pour étudier le fonctionnement psychosocial, nous montrons qu'il existe une différence significative entre les profils, où ceux qui sont épanouis dans tous les contextes incarnent les niveaux les plus bas de risques psychosociaux, alors que ceux qui languissent au travail en incarnent les niveaux les plus élevés. Nous en concluons que la distinction entre PMH en contexte de travail et PMH hors travail éclaire des aspects du construit qui ne sont pas disponibles dans son expression générale seule. L'apprentissage supervisé (Machine Learning) s'avère être un outil fiable et efficace de diagnostic et de prédiction des classes de PMH, démontrant une importante performance prédictive (Taux de classification = 0.90, Kappa = 0.86). Source : Éditeur (via Cairn.info) |
|
| Résumé anglais |
This research aims to extend the concept of positive mental health (PMH) as flourishing (Keyes, 2002) from a general context to specific work and non-work contexts. Conceptually, based on the integrated work-life balance framework (Sirgy & Lee, 2018), we explore the possibility that PMH in work life may be distinct from yet correlated with its counterpart in non-work life. Methodologically, we integrate several approaches. We analyze the multifaceted construct of PMH in such a way as to include and differentiate the general from the domain-specific expressions of PMH, using a person- and variable-centered approach, while accounting for the work and non-work contexts. Two different studies—respectively n=304 and n=1066—are used to explore the factor structure of this extended integrated construct of PMH. For each sample, a bifactor exploratory structural equation modeling (Bi-ESEM) provides the best fit to the data. Latent class analysis provides a means to explore different classes of PMH. A machine learning algorithm (classification trees) is used as an operational method to diagnose class assignment and to test classification predictive performance. Drawing on data from a sample of 1,066 French workers, our model reveals four classes of respondents, each displaying a particular profile of PMH in work-life contexts. Applying it to psychosocial functioning, we show that general and specific factors have significantly different associations with the reduction of psychosocial risks, and that there are significant differences between the profiles, wherein the full cross-context flourishers display the lowest level of absenteeism, presenteeism, turnover intentions, and work unhappiness, and the professional languishers the highest. We conclude that splitting PMH into work and non-work contexts highlights some significant facets and outcomes of the construct that are not available in its general expression alone. Machine learning proves to be an efficient and reliable way to diagnose and predict PMH with a high level of performance (accuracy=0.90, Kappa=0.86). Source : Éditeur (via Cairn.info) |
|
| Article en ligne | https://www.cairn.info/article.php?ID_ARTICLE=GRH_050_0077 (accès réservé) |
