MétaCan
Menu
Retour à la cohorte
Enregistrement W4254617670 · doi:10.1108/s1746-9791(2011)0000007022

Research on Emotion in Organizations

2011· other· en· W4254617670 sur OpenAlexaff
Charmine Ha ̈rtel, Neal M. Ashkanasy, Wilfred J. Zerbe

Notice bibliographique

RevueResearch on emotion in organizations · 2011
Typeother
Langueen
DomaineSocial Sciences
ThématiqueEmotional Labor in Professions
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésEmotional laborEmotional intelligencePublishingPsychologyCitationSocial psychologyPublic relationsPolitical scienceLibrary scienceComputer science

Résumé

récupéré en direct d'OpenAlex

Citation (2011), "Research on Emotion in Organizations", Härtel, C.E.J., Ashkanasy, N.M. and Zerbe, W.J. (Ed.) What Have We Learned? Ten Years On (Research on Emotion in Organizations, Vol. 7), Emerald Group Publishing Limited, Bingley, p. iii. https://doi.org/10.1108/S1746-9791(2011)0000007022 Publisher: Emerald Group Publishing Limited Copyright © 2011, Emerald Group Publishing Limited Book Chapters What Have We Learned? Ten Years On Research on Emotion in Organizations Research on Emotion in Organizations Copyright Page Dedication List of Contributors About the Editors Overview: What Have We Learned? Ten Years On Chapter 1 Synthesizing What We Know and Looking Ahead: A Meta-Analytical Review of 30 Years of Emotional Labor Research Chapter 2 Understanding the Relationship between Emotional Labor and Effort Chapter 3 Tricks of the Trade: Customer Service Employee Strategies in Performing Emotion Work Chapter 4 Sales Employee's Emotional Labor: A Question of Image or Support Chapter 5 The Role of Emotions in Supporting Independent Professionals Chapter 6 Coding Emotions in Complaint Behavior: Comparing the Shaver et al. and Richin's Consumption Emotions Sets Chapter 7 Affective Events Theory as a Framework for Understanding Third-Party Consumer Complaints Chapter 8 Display Rules and Emotional Labor within Work Teams Chapter 9 Emotional Intelligence as a Moderator of the Quality of Leader–Member Exchange and Work-Related Outcomes Chapter 10 Managing Negative Emotions in Emergency Call Taking: A Heat-Model of Emotional Management Chapter 11 The Measurement of Trait Emotional Intelligence with TEIQue-SF: An Analysis Based on Unfolding Item Response Theory Models Chapter 12 Exploring the Antecedent and Consequences of Authenticity of Emotional Expression Chapter 13 A Positive Approach to Workplace Bullying: Lessons from the Victorian Public Sector Appendix: Conference Reviewers

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)0,003
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,008
Études des sciences et des technologies0,0010,002
Communication savante0,0070,008
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0220,003

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 Opus0,169
Tête enseignante GPT0,497
Écart entre enseignants0,327 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations9
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch on emotion in organizationsMême sujetEmotional Labor in ProfessionsTravaux en français237 207