College recruiting using social media: how to increase applicant reach and reduce recruiting costs
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 offer an alternative approach to traditional campus recruiting, using the social media. Specifically, we propose a three-step strategy using Facebook to attract and recruit college graduates. Design/methodology/approach – In Step 1, employers use Facebook to attract as many target students as possible to an employer’s Fan page. In Step 2, employers actively engage with students to enhance their employer brand as a prospective employer. In Step 3, employers initiate a call-to-action to encourage students to act upon a job opportunity and apply for the position. Findings – Social media recruiting can payoff in several ways: First, employers have the advantage of speed through social media recruiting. Second, employers also have broad and frequent access to college students. Employers will also reduce their overall college recruiting costs and lastly, employers enhance their overall employment branding through the use of Facebook for college recruiting. Practical implications – Given the impending retirement of baby boomers, there is an urgent need to recruit college graduates in large numbers. Historically, college recruiting has been the preferred channel; however, few students attend campus career fairs or find information sessions and their campus career centers helpful. As an alternative, employers should consider using social media as a recruiting tool to attract and recruit college graduates. Originality/value – Social media recruiting has the potential to help smaller employers stand out among larger employers, reach out to a larger pool of candidates, speed up the recruitment process and reduce overall recruitment costs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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