What are the best HRM practices for retaining experts? A longitudinal study in the Canadian information technology sector
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to answer the following two questions: What are the HRM practices that have a significant impact on employees’ functional retention?, and Does the impact of these HRM practices on functional retention differ based on the employee’s status as an expert or a non-expert? Our theoretical foundation rests on human capital theory and social exchange theory. Design/methodology/approach – This study uses longitudinal data that come from multiple surveys conducted on new employees within a Canadian subsidiary of an international information technology (IT) firm. Findings – Results show that four out of five HRM practices under study have a significant and positive impact on functional retention of employees regardless of their expert status: satisfaction with a respectful and stimulating work environment, satisfaction with training and development, satisfaction with innovative benefits and satisfaction with incentive compensation significantly increase functional retention of employees. Functional retention was found to be higher for experts than for their non-expert counterparts. Last, results show that expert/non-expert status play a moderating role between HRM practices and functional retention. Originality/value – In short, this study offers five main contributions to the literature: first, it focuses on retention rather than turnover; second, it goes further by examining functional retention as the dependant variable; third, it distinguishes between two categories of employees: experts and non-experts; fourth, it extends the limited literature on IT workers, HRM practices and retention; and fifth, it is based on longitudinal data whereas the overwhelming majority of published studies have been based on cross-sectional data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle