Talent management: four “buying versus making” talent development approaches
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,019 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».