Traditional Predictors of OCB: Reviews and Recommendations for Future Research
Notice bibliographique
Résumé
Since their introduction over thirty years ago, organizational citizenship behaviors (OCBs) have received substantial attention in the organizational behavior literature. A large portion of the 2,500 articles on this topic are designed to identify the factors that predict OCBs. The focus of this symposium is on four sets of traditional predictors of OCBs that have garnered substantial attention over the past several decades: personality traits, employee trust, employee perceptions of organizational justice, and leader behaviors. Given the attention paid to these traditional predictors, many researchers may wonder what is left to study in this domains, or question the value of future research linking these predictors and OCBs. The presenters in this symposium will briefly review the history of research in each of these areas, but will focus on discussing potential avenues for future research using these traditional predictors of OCBs. Leadership and OCB: Going Above and Beyond Presenter: Ronald F. Piccolo; U. of Central Florida Presenter: Timothy A. Judge; U. of Notre Dame Presenter: Claudia Buengeler; U. of Amsterdam Organizational Justice and Organizational Citizenship Behavior Presenter: Russell Cropanzano; U. of Colorado, Boulder Presenter: Deborah Elizabeth Rupp; Purdue U. Presenter: Meghan Thornton; The U. of Texas at San Antonio Presenter: Ruodan Shao; U. of Manitoba Personality Traits and Citizenship Behavior: Current Research and Future Directions Presenter: Dan S. Chiaburu; Texas A&M U. Presenter: In-Sue Oh; Fox School of Business, Temple U. Presenter: Sophia Vladimirova Marinova; The U. of Alabama Organizational Citizenship Behavior and Trust: The Double Reinforcing Spiral Presenter: Robert Moorman; Elon U. Presenter: Holly H Brower; Wake Forest U. Presenter: Steven Grover; U. of Otago
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 | 0,044 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,016 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 ».