The effects of interpersonal customer mistreatment on employee retaliation
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the relationship between customer mistreatment and employee retaliation. The moderating effect of employee psychological strain on the relationship between customer mistreatment and employee retaliation is also examined. Design/methodology/approach A sample of 107 contact centre customer service representatives completed a survey. Moderated multiple regression analysis was conducted to examine the relationship between customer mistreatment and psychological strain on employee retaliation. Findings Customer mistreatment emerged as a significant predictor of employee retaliation against the customer (customer mistreatment: β =0.252, p <0.01), providing support for hypothesis 1. Psychological strain was found to significantly moderate the effects of customer mistreatment on employee retaliation against the customer, ( β =0.197, p <0.01) supporting hypothesis 2. Originality/value The results provide a greater understanding of individuals’ responses to customer incivility. Previous research has demonstrated that uncivil customer behavior leads to emotional exhaustion and absences from work within the call centre industry. Our results suggest that call centre customer service employees may also engage in retaliatory behavior when they perceive that they have been treated unjustly by customers. The positive relationship between customer mistreatment and employee retaliation against customers was stronger when employees reported high (versus low) psychological strain.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».