MétaCan
Menu
Retour à la cohorte
Enregistrement W2870268263 · doi:10.5430/ijba.v9n4p110

Motivation Factors Toward Knowledge Sharing Intentions and Attitudes

2018· article· en· W2870268263 sur OpenAlexvenueno aff
Maha Thuwaini Farhan Mohammad, Sand A. Alajmi, Eihab Abdel Rahim Dawi Ahmed

Notice bibliographique

RevueInternational Journal of Business Administration · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueKnowledge Management and Sharing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésKnowledge sharingPsychologyDynamismIntrinsic motivationSocial psychologyKnowledge managementCompetitive advantageBusinessMarketingComputer science

Résumé

récupéré en direct d'OpenAlex

Employees’ knowledge is a fundamental and valuable resource for the organization, and if it is used and shared properly among employees, the organization will gain a competitive edge. However, knowledge sharing does not occur definitely; instead, it is an individual choice that cannot be compulsory. This research tackles a critical issue, which is motivating employees toward knowledge sharing. The aim of this study is to examine the impact of the antecedents of motivation, which consists of (organizational commitment, environmental dynamism, reward, and job-related factors), to determine and explain the knowledge sharing intentions and attitudes. This will be along with examining organizational climate effect on the intentions of knowledge sharing. A total of 283 questionnaires were submitted to Arab Open University employees, and 221 valid questionnaires were considered in this study. The findings revealed that organizational commitment and intrinsic reward have a significant influence on intrinsic motivation. Moreover, it was found that extrinsic reward has a positive impact on extrinsic motivation. In addition, the findings revealed that extrinsic motivation has a positive influence on knowledge sharing intentions and attitudes, however, intrinsic motivation has a positive impact only on attitudes toward knowledge sharing. Also, attitudes toward knowledge sharing positively and highly influence knowledge sharing intentions.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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)0,0030,000

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 Opus0,102
Tête enseignante GPT0,379
Écart entre enseignants0,277 · 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

Citations13
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Business AdministrationMême sujetKnowledge Management and SharingTravaux en français237 207