Relationship between Human Resources Management Practices, Transformational Leadership, and Knowledge Sharing on Innovation in Iranian Electronic Industry
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
Electronic industry needs innovation to survive, and also to compete internationally. This study examines factors that can enhance technical innovation of companies in the electronic industry of Iran. The main purpose of this study is to examine the relationship between human resource management practices, transformational leadership, knowledge sharing, and innovation of the large and major electronic companies.More specifically, the research attempts to examine whether knowledge sharing mediates the relationship between human resource management practices and transformational leadership with innovation. A quantitative research approach was used in this study. A cross-sectional correlational research design was used.The sample for this study was drawn from a population of 23,704 employees (managers, engineers, and expert technicians) of eight largest electronic companies in Iran using stratified sampling method. The sample size was 376.After exploratory Factor Analysis (EFA) and confirmatory factor analysis (CFA), structural equation modeling (SEM) technique was used to test the hypothetical model. The Findings asserts that only two HRM practices (training and participation) and three transformational leadership components (vision, intellectual stimulation and personal recognition) have significant impacts on innovation. Besides, knowledge sharing has significant and positive impact on innovation. Out of five HRM practices, training, staffing, participation have significant and positive impacts on knowledge sharing while intellectual stimulation, and personal recognition(as transformational leadership components) have significant and positive impacts.Finally, knowledge sharing merely mediated the relationships of training, participation, vision and personal recognition with innovation.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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