MétaCan
Menu
Retour à la cohorte
Enregistrement W2737112185 · doi:10.5465/ambpp.2016.17350abstract

The Influence of Informed Consent on Applicant Reactions to Social Media Screening

2016· article· en· W2737112185 sur OpenAlexaff
Stewart G. Grunwell

Notice bibliographique

RevueAcademy of Management Proceedings · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueEmployer Branding and e-HRM
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaPsychologySelection (genetic algorithm)AttractionPublic relationsVariety (cybernetics)Social psychologyPolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

The screening of social networking websites is becoming an increasingly common practice among selection professionals. However, academic research has seldom considered applicant reactions to this practice; most studies have examined the efficacy of social media screening on measures of applicant performance. Accordingly, this research seeks to examine the effects of social media screening on an applicant’s attraction to a hiring organization. Moreover, it is proposed herein that organizational disclosure of social media screening - which has yet to be examined in the literature - will serve to influence applicant outcomes on not only organizational attraction, but on their trust in the hiring organization and their affective reactions. Using a 5X2 experimental approach, applicant reactions to a variety of organizational explanations for social media screening - and the pre-screening disclosure of said explanations - were examined. Surprisingly, results indicate that applicants are indifferent towards the specific explanation provided for the organization’s engagement in social media screening; however, disclosure of social media screening was found to have a significant effect on applicant reactions, resulting in higher levels of applicants’ trust in and attraction towards the hiring organization. The importance of this finding regarding applicant reactions to an increasingly prevalent - yet controversial - hiring practice is then discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,778
Score d'incertitude au seuil0,436

Scores Codex et Gemma par catégorie

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

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 Opus0,043
Tête enseignante GPT0,276
Écart entre enseignants0,234 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetEmployer Branding and e-HRMTravaux en français237 207