Notice bibliographique
Résumé
Purpose Leading organizations invest large amounts of time, energy, and financial resources in conducting employee surveys. Through Mercer Human Resource Consulting's work on more than 1,000 survey projects, ten key areas within the survey process have been identified that consistently stand out as potential stumbling blocks to survey success. The purpose of this paper is to make companies aware of these potential blocks, and show that by adopting best practices to avoid them, organizations can significantly improve the odds of conducting a successful survey. Design/methodology/approach According to Mercer Human Resource Consulting's What's Working™ research, upwards of 50 percent of employers in Sweden, Japan, Singapore, the USA, Brazil, Australia, Canada, the UK, and Ireland regularly conduct employee surveys. Employee engagement is more often the intended ultimate outcome of employee surveying. All the same, employee surveys often fail in their strategic aims. Through Mercer's work on more than 1,000 survey projects, ten key areas within the survey process have been identified that consistently stand out as potential stumbling blocks to survey success. Findings This article identifies the ten key stumbling blocks to employee survey success as: Project planning; Communication; Questionnaire design; Timing; Prioritization of issues; Engaging senior management; Data delivery; Follow‐up support; Monitoring and accountability, and Linking survey results to business outcomes. These stumbling blocks and methods of overcoming them are described. Originality/value It is becoming increasingly clear to organizations that employee engagement has a significant influence on organizational performance and can become a long‐term source of competitive advantage. An original connection is made between effective employee surveys and employee engagement, and best‐practice guidance is provided on ensuring survey success. Otherwise, a survey runs the risk of destroying rather than building employee engagement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,084 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».