Job demand and employee well-being
Notice bibliographique
Résumé
Purpose The extant research on emotional labor (EL) has focused on positive and negative outcomes observed in the workplace; however, many fundamental questions remain unanswered. The research has yet to consider what factors buffer the negative outcomes of EL. The purpose of this paper is to investigate the relationship between workload job demand and employee well-being with mediating effects of surface acting (SA) and moderating effects of emotional intelligence (EI) in service organizations. Design/methodology/approach The authors used two wave data from a sample of 207 emergency medical technicians to test the hypotheses. Findings By integrating SA, EI and employee well-being with the conservation of resource theory, the authors found evidence of an indirect effect of workload job demand on emotional exhaustion and job satisfaction via SA. The results of moderated mediation show that the negative relationship between SA and job satisfaction was low when EI was high and the positive relationship between SA and emotional exhaustion was low when EI was high. Research limitations/implications A major limitation of the present study is that all the participants were male and drawn from a single profession within the same organization. Another limitation is that the data were collected through self-reports. Practical implications This research has important theoretical and practical implications for service organizations wishing to buffer the harmful effects of SA on employees. This study presents key theoretical implications for the EL and well-being literatures. An important practical implication is that EI is a good resource for managing SA’s negative outcomes. Originality/value The current study contributes to the extant research by showing that workload job demands have negative effects on employee well-being via SA resulting in reduced job satisfaction and increased emotional exhaustion. Further, the negative outcomes of SA on employee well-being can be buffered through EI by taking EI as an emotional resource. High level of EI helps employees to mitigate the harmful effects of SA.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».