MétaCan
Menu
Retour à la cohorte
Enregistrement W2177280191 · doi:10.19030/jabr.v20i4.2223

The Impact Of Mentoring On Career Plateau And Turnover Intentions Of Management Accountants

2011· article· en· W2177280191 sur OpenAlexaffabout
Benjamin P. Foster, Trimbak Shastri, Sirinimal Withane

Notice bibliographique

RevueJournal of Applied Business Research (JABR) · 2011
Typearticle
Langueen
DomainePsychology
ThématiqueMentoring and Academic Development
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésManagementPsychologyEconomics

Résumé

récupéré en direct d'OpenAlex

The presence of frustrated employees in an organization is likely to have a significant adverse effect on the organization’s operations. Employees faced with a career plateau are likely to exhibit feelings of frustration. Such employees may have a higher tendency to leave the company, increasing employee turnover. Using Canadian Certified Management Accountants (CMAs), as subjects, this study examined the effect of mentoring on employee career plateau tendencies and turnover intentions. Survey questionnaires were mailed and responses obtained from 235 CMAs. Subjects’ responses were factor analyzed to develop composite scales about CMAs’ perceptions for mentoring (MENTOR), career plateau (PLAT), turnover intentions (EXIT), positive job attributes (PJA), and job satisfaction rate (JSR). For hypotheses testing, the means of the scaled values were used in statistical tests of relationships between the measures. Tests indicated that mentoring reduces plateau tendency significantly and significantly lowers turnover intentions even after controlling for career plateau, job satisfaction, and positive job attributes. The results imply that fostering a mentoring environment can reduce career plateau attainment and turnover intentions. Reducing career plateau in turn is likely to have positive impact on organization’s operations. For example, CMAs are often involved in, among other matters, the operational information and financial reporting process. Therefore, reducing CMAs’ career plateau tendencies and turnover intentions could improve the quality of an organization’s financial reporting process.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,073
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,141
Tête enseignante GPT0,405
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Business Research (JABR)Même sujetMentoring and Academic DevelopmentTravaux en français237 207