Do your employees think your slogan is “fake news?” A framework for understanding the impact of fake company slogans on employees
Notice bibliographique
Résumé
Purpose This article explores how employees can perceive and be impacted by the fakeness of their company slogans. Design/methodology/approach This conceptual study draws on the established literature on company slogans, employee audiences, and fake news to create a framework through which to understand fake company slogans. Findings Employees attend to two important dimensions of slogans: whether they accurately reflect a company’s (1) values and (2) value proposition. These dimensions combine to form a typology of four ways in which employees can perceive their company’s slogans: namely, authentic, narcissistic, foreign, or corrupt. Research limitations/implications This paper outlines how the typology provides a theoretical basis for more refined empirical research on how company slogans influence a key stakeholder: their employees. Future research could test the arguments about how certain characteristics of slogans are more or less likely to cause employees to conclude that slogans are fake news. Those conclusions will, in turn, have implications for the morale and engagement of employees. The ideas herein can also enable a more comprehensive assessment of the impact of slogans. Practical implications Employees can view three types of slogans as fake news (narcissistic, foreign, and corrupt slogans). This paper identifies the implications of each type and explains how companies can go about developing authentic slogans. Originality/value This paper explores the impact of slogan fakeness on employees: an important audience that has been neglected by studies to date. Thus, the insights and implications specific to this internal stakeholder are novel.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».