How and when high-involvement work practices influence employee innovative behavior
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 Based on social information processing (SIP) theory, this study explores the cross-level effect of high-involvement work practices (HIWPs) on employee innovative behavior by studying the mediating role of self-reflection/rumination and the moderating role of transactive memory system (TMS). Design/methodology/approach This study collects data from 452 employees and their direct supervisors in 94 work units, and tests a cross-level moderated mediation model using multilevel path analysis. Findings The results suggest that HIWPs significantly contribute to employee innovative behavior. Both self-reflection and self-rumination mediate the above relationship. TMS not only positively moderates the relationship between HIWPs and self-reflection, but also reinforces the linkage of HIWPs. →self-reflection→employee innovative behavior. Furthermore, TMS negatively moderates the relationship between HIWPs and self-rumination, and attenuates the mediating effect of self-rumination. Practical implications The study suggests that enterprises should invest more in promoting HIWPs and TMS in the workplace. Furthermore, managers should provide employees training programs to enhance their self-reflection, as well as lower self-rumination, in order to facilitate employee innovative behavior. Originality/value This research identifies self-reflection and self-rumination as key mediators that link HIWPs to employee innovative behavior and reveals the moderating role of TMS in the process.
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 | 0,000 | 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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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