The Relationship between Self-Verification and Cultural Mosaic Beliefs in Multicultural Groups
Notice bibliographique
Résumé
In previous research, the cultural mosaic model was found to describe multicultural group processes using three factors—cultural diversity, cultural expression and acceptance, and cultural utilization. The current study will test the role of cultural self-verification within multicultural work groups to demonstrate the cultural mosaic model. Given the observed relationship between the cultural mosaic model and team productivity, the study will prime cultural self-verification (or not) through discussion of group members’ cultural backgrounds to establish norms of openness of identity and acceptance of diversity within the group. I predict groups who are encouraged to openly discuss their cultural backgrounds will feel more comfortable utilizing their unique cultural knowledge and expressing innovative ideas which otherwise might not be shared. This will result in greater success during the problem-solving task and cause individuals to work more cohesively and be more inclined to present feasible and innovative solutions to the problem, and to be accepting of such solutions from other group members. It is also expected that participants in the self-verified condition will rate the experience of working in this multicultural group more positively than participants in the control condition who do not discuss their cultural backgrounds prior to the task. Should this pattern of findings occur, a research application is better understanding of the cultural mosaic construct, and a practical application would be for ways to engender cultural mosaic groups in organizations by encouraging discussion about team members’ ethnic and cultural backgrounds in order to achieve greater workplace productivity and a higher degree of job satisfaction.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».