An eye for an eye? A meta-analysis of negative reciprocity in organizations.
Notice bibliographique
Résumé
Most models of negative workplace behaviors (NWB) are individual in nature, focusing on individual attitudes (e.g., satisfaction) and general workplace perceptions (e.g., procedural justice) that motivate NWB. Less commonly considered are explorations of relationally based negative workplace behaviors-how NWB from Party A is related to reciprocation of NWB from Party B. Based on 2 competing conceptualizations in the literature, that behavior is reciprocated "in-kind" in an eye for an eye exchange or that behavior tends to escalate or spiral over time, we develop a framework for negative reciprocity that considers NWB in terms of severity, activity, and target. This framework addresses (a) whether Party A's NWB is associated with behavior of a similar or greater level (i.e., activity and severity) from Party B; and (b) whether Party B's reciprocating behavior is directed back at Party A (i.e., direct) or transferred onto others (i.e., displaced). We meta-analytically test these relationships with 246 independent samples (N = 96,930) and find strongest support for relationships indicating that NWB from Party A is largely returned in-kind, followed closely by relationships indicative of escalation. We also found that as the frequency of Party A's NWB increases, so too does the frequency of reciprocity behavior of equal levels. Surprisingly, differences related to the target of the behavior as well as differences based on whether the data were cross-sectional or longitudinal were generally negligible. (PsycINFO Database Record (c) 2019 APA, all rights reserved).
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 | 0,042 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,023 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».