MétaCan
Menu
Retour à la cohorte
Enregistrement W4214724804 · doi:10.5539/ijbm.v17n3p134

Work-From-Home Engagement during COVID-19: Implications for Human Resource Management

2022· article· en· W4214724804 sur OpenAlexafffund

Notice bibliographique

RevueInternational Journal of Business and Management · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWork-Family Balance Challenges
Établissements canadiensUniversity of Regina
Organismes subventionnairesUniversity of Regina
Mots-clésTelecommutingWork (physics)Work engagementHuman resource managementEmployee engagementPublic relationsKnowledge managementBusinessSociologyPolitical scienceComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Work-from-home has gained swift and massive adoption due to technological advancement and the large-scale disruption evoked by the COVID-19 pandemic. Work-from-home, also called telecommuting, involves performing work/business responsibilities from a non-office location or typically from home. The work-from-home format has garnered acceptance as the alternative to traditional office work, but it is not without disadvantages. Thus, a thorough insight into the mechanism of the work-from-home format and how it relates to engagement is necessary for organizational leaders and human resource practitioners to cultivate engagement of remote workers. This article illustrates the current state of scholarly research on work-from-home engagement by using the lens of an integrated literature review. This article explains the forces accompanying the work-from-home format and their interactions with employee engagement. The article proposes a conceptual framework of the work-from-home engagement field. The constructs of the work-from-home engagement field, which are the work-from-home positive forces, negative forces, and positive-negative forces, are explained, and the critical implications for human resource management are highlighted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0080,005
Communication savante0,0080,009
Science ouverte0,0010,008
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,340
Écart entre enseignants0,291 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Business and ManagementMême sujetWork-Family Balance ChallengesTravaux en français237 207