Do “rising stars” avoid risk?: status-based labels and decision making
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to empirically examine how status-based labels, based on future capabilities, can impact people's risk tolerance in decision making. Design/methodology/approach – In this paper the authors developed and tested theoretical arguments using a set of three studies employing a scenario-based approach and a total of 449 undergraduate business students. Findings – The findings suggest that labeling people in terms of future capabilities can trigger perceptions of public scrutiny and influence their risk preferences. Specifically, the results reveal that individuals who are recipients of high-status labels tend to choose lower risk decision options compared to their peers. Research limitations/implications – The study employed scenarios to examine the issue of employee labeling. The extent to which these scenarios have truly captured the dynamics of labeling is questionable, and future research should employ a field-based study to examine whether the reported effect can be observed in a “real” work context. Practical implications – Organizations are concerned about their future leadership capacity and often attempt to grow leadership talent by identifying high-potential employees early on. The results of this study suggest that such practice may have an unintentional negative effect of reducing high-potentials’ tolerance toward risky decision making, thus potentially impacting these future leaders’ decision making in the realm of corporate strategy, R&D, etc. Originality/value – The issue of how labeling individuals in terms of future capabilities can impact their risk preference has been largely ignored by organizational research. This paper suggests that the popular practice of identifying high-potential employees may have unintentional negative effects by lowering their risk tolerance.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».