Working with motivation to increase performance.
Notice bibliographique
Résumé
This research study examined how organizations might apply the wealth of research about employee motivation into business practice. Incorporating the knowledge from behavioural economics and psychological studies positively influences the following: employee motivation, productivity, well-being, engagement (Pink, 2011). In turn, this helps reduce the stunning loss of productivity, due to employee demotivation, quoted between USD 480-600 billion a year (State of the American Workplace 2016, Gallup). \nTo conduct my research study, I relied on qualitative research methods including literature review of scholarly sources, an overview of grey literature, with some insights from semi-structured interviews. My research looked to both North American and European sources. Scandinavian countries are known for their leadership in management practice (Eriksen et al, 2006) and attracting, developing, and retaining top talent (IMD, 2017). According to the Varieties of Capitalism framework, which outlines the differences in economic and political institutions, USA and Canada and the Nordic countries belong to two contrasting economies, and have profoundly distinct approach to law, development of labour market, inter-firm and employee relations (Hall, Soskice, 2001). This awareness is important to situate both approaches to company-employee relationship in economic and political context. I illustrated the ways the findings from behavioural economics and psychological studies have been harnessed in innovative ways. This manifests through creative management initiatives such as Results-Only Workplace Environment, reduced work hours, and Holacracy. This growing understanding of changing employee needs leads to the rise in team members’ motivation and furthers general engagement, decreases turnover and increases profit for business.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».