MétaCan
Menu
Retour à la cohorte
Enregistrement W4220980528 · doi:10.1002/hrm.22110

Is shooting for fairness always beneficial? The influence of promotion fairness on employees' cognitive and emotional reactions to promotion failure

2022· article· en· W4220980528 sur OpenAlexaff
Zheng Zhu, Xingwen Chen, Qingjuan Wang, Changquan Jiao, Mengxi Yang

Notice bibliographique

RevueHuman Resource Management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueJob Satisfaction and Organizational Behavior
Établissements canadiensLakehead University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésPromotion (chess)AngerPsychologyIncentiveSocial psychologyCognitionPerceptionPolitical scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Promotions, as a part of organizational incentive and reward systems, can motivate employees to perform well and to increase commitment to their firms. But very little is known about why and when promotion failure influences employees' subsequent responses. Integrating social‐cognitive theory and the cognitive appraisal theory of emotion in justice literature, we investigated the effect of promotion failure on employees' work engagement through cognitive and emotional processes and the moderating effects of perceived promotion fairness. Employing two survey studies (Study 1 and Study 2) and an experimental study (Study 3), we found that: (1) promotion failure was negatively related to self‐efficacy and positively associated with anger; (2) promotion failure was negatively related to work engagement through reduced self‐efficacy and elevated anger; (3) promotion perceived to be fair amplified the negative effect of promotion failure on employee self‐efficacy but mitigated its influence on anger; (4) promotion fairness perception strengthened the indirect negative relationship between promotion failure and work engagement through self‐efficacy but weakened this indirect relationship via anger. Our work contributes to promotion and justice literature and enlightens practitioners about how to manage promotion practice.

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)0,004
score de la tête « metaresearch » (Gemma)0,014
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,265
Écart entre enseignants0,236 · 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

Citations21
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHuman Resource ManagementMême sujetJob Satisfaction and Organizational BehaviorTravaux en français237 207