L'analyste déclare n'avoir aucun lien d'intérêt avec les auteurs, les financeurs ni les fabricants des produits évalués.
Analyse réalisée sans financement externe ni contrepartie, à partir du seul document fourni. Aucun honoraire, aucune rémunération de conseil et aucune participation au capital d'un fabricant cité.
Objectif : Déterminer si la formation numérique fournie par l'employeur (ressource organisationnelle) bénéficie également au bien-être des travailleurs de différentes classes sociales, en intégrant le modèle Job Demands-Resources (JD-R) et l'approche des capabilités de Sen.
Population : 8065 salariés actifs dans 27 pays de l'Union européenne (28 unités géographiques), issus de l'Eurobaromètre spécial 101.4 (avril-mai 2024), après sélection en 6 étapes excluant notamment les indépendants et les données incomplètes.
Intervention/Exposition : Exposition à l'IA/au management algorithmique au travail (demande potentielle), compétences numériques (ressource personnelle), formation numérique fournie par l'employeur (ressource organisationnelle, item unique auto-rapporté).
Comparateur : Analyse multi-groupes par classe sociale auto-déclarée (classe populaire n=1454 ; classe moyenne n=5788 ; classe supérieure n=823), après établissement de l'invariance de mesure scalaire.
Outcomes : Bien-être « pertinent pour les capabilités » (sécurité financière + satisfaction de vie), appréciation de la menace liée à l'IA (variable médiatrice cognitive).
Résultats : Exposition à l'IA faiblement et négativement associée au bien-être (β = -0,073 ; p < 0,001), corrélation brute quasi nulle (r = 0,008). Formation employeur (β = 0,209) et compétences numériques (β = 0,189) sont les corrélats les plus forts du bien-être, robustes à toutes les spécifications. L'association formation-bien-être est plus faible chez les employés de classe populaire que de classe moyenne (0,072 vs 0,130 ; Wald p = 0,004 ; jackknife p = 0,012), et le modèle explique 12,0 % de la variance du bien-être chez les classes populaires contre 31,1 % chez les classes supérieures. Le contraste classe populaire/moyenne résiste aux effets fixes pays et au jackknife mais pas à la spécification avec clustering pays traitant les indicateurs comme continus.
Les quatorze sections — analyse méthodologique, évaluation des biais, résultats, validité externe, cohérence physiopathologique, certitude des preuves, application clinique — sont lisibles gratuitement dès la création d'un compte. Deux crédits d'analyse vous sont offerts chaque mois.
Quatre modules, le barème DrDLM V6.2 expliqué pilier par pilier, et des articles réels à disséquer. À l'issue, vous appliquez seul la méthode que vous venez de lire.