What most attracts potential candidates? Innovative perks, training, or ethics?
Notice bibliographique
Résumé
Purpose The purpose of this paper is to investigate the effect of two instrumental organizational attributes (innovative perks and training) and one symbolic organizational attribute (ethics) on applicant attraction. Design/methodology/approach Using a sample of business undergraduates in their final year ( n =339) and a policy-capturing approach, the authors tested a 2 (absence/presence of innovative perks) ×2 (few/many training opportunities) ×2 (ethics is not very important/is important) quasi-experimental design using ANCOVA. Findings In regard to main effects, results show that all attributes have a significant effect on applicant attraction, the “ethics” organizational attribute having the strongest direct effect followed by “training” and then “innovative perks.” In regard to all interaction effects, findings are only significant for two two-way interaction effects: “innovative perks×training” and “innovative perks×ethics.” Specifically, results indicate that offering innovative perks only had a positive and significant effect on applicant attraction when: a firm offered few training opportunities and ethics was important for the firm. Originality/value This study compared three key organizational attributes where most studies only tested one. Understanding which organizational attributes have the greatest influence on potential candidates’ attraction can help organizations optimize recruiting. The results suggest that developing an organizational brand that focuses particularly on ethics and training constitutes a winning recruitment strategy. This experiment is the first to provide causal conclusions on the relationship between innovative perks and attraction.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».