Exemplary followership. Part 1: refining an instrument
Notice bibliographique
Résumé
Purpose The overall purpose of this paper is to determine to what extent organizational citizenship behaviors predict followership behaviors within medical organizations in the USA. This is the first part of a two-part article. Part 1 will refine an existing followership instrument. Part 2 will explore the relationship between followership and organizational citizenship. Design/methodology/approach Part 1 of this survey-based empirical study used confirmatory factor analysis on an existing instrument followed by exploratory factor analysis on the revised instrument. Part 2 used regression analysis to explore to what extent organizational citizenship behaviors predict followership behaviors. Findings The findings of this two-part paper show that organizational citizenship has a significant impact on followership behaviors. Part 1 found that making changes to the followership instrument provides an improved instrument. Research limitations/implications Participants in this study work exclusively in the health-care industry; future research should expand to other large organizations that have many followers with few managerial leaders. Practical implications As organizational citizenship can be developed, if there is a relationship between organizational citizenship and followership, organizations can provide professional development opportunities for individual followers. Managers and other leaders can learn how to develop organizational citizenship behaviors and thus followership in several ways: onboarding, coaching, mentoring and career development. Originality/value In Part 1, the paper contributes an improved measurement for followership. Part 2 demonstrates the impact that organizational citizenship behavior can play in developing high performing followers.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».