The roles of mood and conscientiousness in reporting of self‐committed errors on IT projects
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
Abstract Over the past two decades, several studies have investigated the factors that lead to and away from individuals' reporting of truthful status information on IT projects. These studies have typically considered the reporting decisions of an individual who is aware of negative status information that is attributed to others' errors. These previous studies have seldom examined the situation in which the individual is considering whether to report information about his or her own self‐committed error on the project. In this study, we consider this largely unexamined phenomenon. In this context, we focus on the influences that different affective states and a personality trait (conscientiousness) can have on error reporting decisions. Specifically, we investigate how different moods (i.e. positive vs. negative) and conscientiousness can influence error reporting decisions in the context of an IT project. Based on the results from a controlled laboratory experiment, we find that individuals in a negative mood are more willing to report their errors compared to individuals in a positive mood. Conscientiousness also positively influences individuals' willingness to report errors, and it also has an indirect effect through cost–benefit differential (i.e. one's perceptions of benefits relative to costs). Additionally, mood is found to moderate the relationship between conscientiousness and willingness to report. We discuss the implication of our findings and directions for future research and for practice. © 2016 John Wiley & Sons Ltd
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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