Managers’ and Employees’ Judgment and Decision Making: New Theoretical Developments
Notice bibliographique
Résumé
The quality of managers’ and employees’ decision making is one of the most important antecedents of organizations’ efficiency — if employees and managers make suboptimal decisions, their company’s performance would suffer (Ceschi, Demerouti, Sartori, & Weller, 2017; Dane & Pratt, 2007; Dean Jr & Sharfman, 1996; Schwenk, 1995). This symposium brings together groundbreaking research on judgment and decision making that advances scholarship in managerial decision making and cognition, human resources, and organizational behavior. Four presentations will illustrate how people’s judgment and decision making biases lead managers and employees to make suboptimal decisions in diverse organizational contexts, such as overtime work, bonus allocation, job selection, and pay disparity. Further, the research discussed in this symposium not only highlights how decision making biases lead people to make irrational decisions, but also identifies interventions to rectify people’s biases, thereby making the current findings useful to both management researchers and practitioners. Inverse Demand Curves in the Workplace: Asking Employees to Work Longer When They are Unproductive Presenter: Siran Zhan; U. of New South Wales Presenter: Krishna Savani; Nanyang Technological U. Equity Bias in Bonus Allocation to Teams: Giving Too Much to Larger but Unproductive Teams Presenter: Yun Bai; Xi'an Jiaotong U. Presenter: Krishna Savani; Nanyang Technological U. Should You Join a Large Team or a Small Team? Role of Employee Qualifications on Team Selection Presenter: Zhiyu Feng; Nanyang Technological U. Presenter: Krishna Savani; Nanyang Technological U. Does the Cause of Inequality Influence Perceptions of Fairness? Presenter: Simone Tang; Cornell U. Presenter: Kin Fai Ellick Wong; Hong Kong U. of Science and Technology
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».