Talent management: four “buying versus making” talent development approaches
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
Purpose This paper presents a typology exploring employers’ perceptions of the quality of available applicants and employers decisions to buy qualified staff vs. to hire available workers and then make i.e. develop them via employer-supported training. Design/methodology/approach This study uses 2015 survey data from Southwestern Ontario, Canada, based on responses from 834 employers regarding their hiring, separations, training and other HRM policies. Findings Among surveyed employers, 10% are “Reliants” who found the quality of available applicants to be low, yet these employers do not provide employee training. Almost half of employers (at 45%) are “Developers” who find the quality of applicants to be low but they do provide employee training. Approximately, 7% of employers are “Poachers” who find that the quality of applicants is high and do not provide employee training, while 38% are Refiners, who find the quality of applicants is high and they provide employee training. Originality/value Employers need to make their training decisions in alignment with their assessment of the quality of job applicants to whom they have access. In this paper, decisions on training and applicant quality are considered concurrently. From an academic viewpoint, the findings raise the issue as to whether other stakeholders (such as educational institutions) are sufficiently helping individuals gain the skills, credentials and work experiences that employers are seeking. If job openings are remaining unfilled because employers are unwilling to hire those available, then applicants lose, employers lose and societies lose.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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