A Resource Model of Team Resilience Capacity and Learning
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
A team's capacity to bounce back from adversities or setbacks (i.e., team resilience capacity) is increasingly valuable in today's complex business environment. To enhance our understanding of the antecedents and consequences of team resilience capacity, we develop and empirically test a resource-based model that delineates critical team inputs and outputs of resilience capacity. Drawing from conservation of resources theory, we propose that voice climate is a critical resource that builds team resilience capacity by encouraging intrateam communication and that leader learning goal orientation (LGO) amplifies this relationship by orienting team discourse toward understanding and growing from challenges. In turn, we propose that team resilience capacity is positively related to team learning behaviors, as teams with a higher resilience capacity are well-positioned to invest their resources into learning activities, and that team information elaboration amplifies this relationship by facilitating resource exchange. Results of a time-lagged, multisource field study involving 48 teams from five Canadian technology start-ups supported this moderated-mediated model. Specifically, voice climate was positively related to team resilience capacity, with leader LGO amplifying this effect. Further, team resilience capacity was positively related to team learning behaviors, with information elaboration amplifying this effect. Altogether, we advance theory and practice on team resilience by offering empirical support on what builds team resilience capacity (voice climate) and what teams with a high resilience capacity do (learning), along with the conditions under which these relationships are enhanced (higher leader LGO and team information elaboration).
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 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