Digital transformation in the Indonesia manufacturing industry: The effect of e-learning, e-task and leadership style on employee engagement
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
In facing business competition in the manufacturing industry, it continues to adapt. Demands start from employees who are expected to continue to grow and leaders who are also changing. This is aimed at staying in business and also retaining the best employees by planning some changes in how to train and assign employees electronically as well as changing leadership styles to adapt to today's digital era. This study aims to determine the influence of E-learning, e-task and leadership style in the manufacturing industry in Indonesia. The data collection method in this study uses a questionnaire with 130 respondents. in this study using four variables, namely thirteen dimensions and twenty-six indicators. The analytical method used is descriptive analysis, and the test instrument uses SEM AMOS. The results showed that e-learning organization and e-task as well as leadership style had a significant and significant effect on Employee Engagement. the most factor great influence is the leadership style; This means that employees expect to get a new style in accordance with this digital era since there has been a change in the concept of employee engagement, where employees will feel they do not have a sense of engagement with the company if the attitude of the leader who is not sensitive to all aspects of changes in the effects of the digital era is caused by changes in employee behavior in this era where information is very easy to obtain for employees to know the conditions anywhere else that offers an advantage. compared to where they work now.
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 | 0,002 | 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 | 0,001 | 0,003 |
| Science ouverte | 0,001 | 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 découle