Multilingual and multicultural managers’ effects on team performance: insights from professional football teams
Notice bibliographique
Résumé
Purpose In this study, micro-foundations of strategy as the theoretical framework to study the effect of managers’ individual characteristics on multinational team performance are adopted. In particular, the purpose of this paper is to study managers’ multilingual communication abilities and multicultural background, and their role in, respectively, effectively reconfiguring team human assets and sensing cognitively distant opportunities and threats. Design/methodology/approach This study uses national football teams competing in national and international competitions and their coaches’ characteristics as the data set to test the theory. Using random coefficient modeling and ordinary least square regression, this paper analyzes two samples of 222 and 79 teams and found that both these characteristics contribute to team performance; however, their effects differ depending on the team environment. Findings Multicultural managers contribute positively to team performance only when the team is operating in a highly diverse environment, their effect is not statistically significant in homogeneous environments. In less diverse environments, it is the multilingual manager who can improve team performance through more efficient communication and greater effects of leadership on the team. Originality/value Managers’ characteristics such as their multicultural background and multilingual capabilities affect team performance. In particular, these effects come into play in highly diverse and international settings. Micro-foundation literature is advised to focus on the internationalization and multicultural backgrounds of managers as a precursor for organizational international 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.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».