A Network Model of Goals Boosts Convergent Creativity Performance
Notice bibliographique
Résumé
To increase employee creativity is critical for organizational success, and yet we still know very little about what organizational contexts promote creative performance. Our research proposes that goal regulation in the workplace may have consequences for creativity. While there is an increasing trend for organizations and workers to visualize the structure of their goals (e.g., management hierarchy, concept-map, flowchart), prior research suggests the visualization approaches differ as one of the three types: hierarchical, network, sequential models. Because a network model (vs. hierarchical and sequential models) highlights multiple connections between goals and reveals unobvious connections between them, we hypothesized that the use of a network goal model might increase people’s ability to integrate seemingly unrelated ideas, even on subsequent unrelated tasks, leading to higher (convergent) creative performance. To test the hypothesis, we conducted an experiment in 2017 manipulating participants’ goal models (N = 191; Median age = 19; hierarchical, network, sequential) and measured their creativity. Results suggests that those in the network model condition performed better in the kind of creativity task that requires meaningful integration of unrelated ideas (i.e., convergent creativity); in contrast, there was no difference between goal model conditions on divergent creative performance. These findings thus illuminate how goal models may influence creativity, providing new insights into situational inductions that can boost creative performance. Theoretical and practical implications, limitations, and future directions of the work are 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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».