How Much Do We Really Know About Employee Resilience?
Notice bibliographique
Résumé
Past research purporting to study employee resilience suffers from a lack of conceptual clarity about both the resilience construct and the methodological designs that examine resilience without ensuring the occurrence of significant adversity. The overall goal of this article is to address our contemporary understanding of employee resilience and identify pathways for the future advancement of resilience research in the workplace. We first address conceptual definitions of resilience both inside and outside of industrial and organizational psychology and make the case that researchers have generally failed to document the experience of significant adversity when studying resilience in working populations. Next, we discuss methods used to examine resilience, with an emphasis on distinguishing the capacity for resilience and the demonstration of resilience. Representative research is then reviewed by examining self-reports of resilience or resilience-related traits along with research on resilient and nonresilient trajectories following significant adversity. We then briefly address the issues involved in selecting resilient employees and building resilience in employees. The article concludes with recommendations for future research studying resilience in the workplace, including documenting significant adversity among employees, assessing multiple outcomes, using longitudinal designs with theoretically supported time lags, broadening the study of resilience to people in occupations outside the military who may face significant adversity, and addressing the potential dark side of an emphasis on resilience.
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 | 0,012 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,007 | 0,023 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».