Playing in the backstore: interface gamification increases warehousing workforce engagement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose In a warehouse setting, where hourly workers performing manual tasks account for more than half of total warehouse expenditure, a lack of employee engagement has been directly linked to company performance. In this article, the authors present a laboratory experiment in which two gamification elements, goal setting and feedback, are implemented in a wearable warehouse management system (WMS) interface to examine their effect on user engagement and performance in an item picking task. Both implicit (neurophysiological) and explicit (self-reported) measures of engagement are used, allowing for a richer understanding of the user's perceived and physiological state. Design/methodology/approach This experiment uses a within-subject design. Two experimental factors, goals and feedback, are manipulated, leading to three conditions: no gamification condition, self-set goals and feedback and assigned goals and feedback. Twenty-one subjects participated (mean age = 24.2, SD = 2.2). Findings This article demonstrates that gamification can successfully increase employee engagement, at least in the short-term. The integration of self-set goals and feedback game elements has the greatest potential to generate long-term intrinsic motivation and meaningful engagement, leading to greater employee engagement and performance. Originality/value This article explores the underlying effects of gamification through two of the most prominent motivational theories (self-determination theory [SDT] and goal-setting theory) and one of the leading employee engagement models (job demands-resource model [JD-R[ model). This provides a theory-rich interpretation of the data, which allows to uncover the motivational pathways by which gamification affects engagement and performance.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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 découle