Effectiveness of human resource management practices in developing countries :
Notice bibliographique
Résumé
Dunning (2006) asserted that international business research focused heavily on the physical assets of organizations and nations, thus neglecting the human environment of organizations and nations.Research has shown “the most important driver for economic advancement is knowledge” and is drawn from the human environment (Zhu et al., 2011, p. 312). The human environment is defined as the “human assets (i.e. creativity leading to innovation; experience, skills and knowledge of employees) and the skills and abilities those assets possess within a given location” (Zhu et al., 2011, p. 312).Thus, how an organization, including government, manages its human resources (HR), drawn from the human environment in which it operates, will significantly impact success or failure (Barney, 2001; Kong & Thomson, 2009).We contend that although there has been a great deal of research on human resource management (HRM) as a competitive advantage for firms, there has been little work done on the analysis of HRM practices in government and its influence on a nation’s competitive advantage. In a qualitative study of a developing nation in the Caribbean we interviewed 12 senior level employees. Our analysis revealed that little attention was paid to HRM, which resulted in the ineffectiveness of the application of government policies. The data revealed that issues started with the recruitment and selection processes.This paper focuses on the recruitment and selection processes utilized by government agencies that cause institutional voids which lead to the failure to utilize public service employees as a source of competitive advantage.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».