Abstract
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).