Stronger Together: Positive Relationships at Work
Notice bibliographique
Résumé
The workplace in the 21st century has changed dramatically, as the internet connected the world, the “gig economy” changed work arrangements, globalization expanded the job market and individual work values such as autonomy and freedom became dominant (Rabenu, 2021). Just a few years ago, automation and technology were the heart of the conversation on the modern workplace and seemed to be replacing meaningful human connections. However, the COVID-19 pandemic, that required social distancing, demonstrated just how much people still need each other, and how technology cannot replace human relationships. The Positive Organizational Scholarship (POS) movement that started in the early 2000’s seeks to understand the role of positive relationships at work. The place of work in our lives makes it a source of meaning, purpose and identity-building, that are often created through positive relationships (Ragins & Dutton, 2007). For example, high-quality relationships enable human flourishing that in turn benefits the organization (Dutton & Heaphy, 2003). Another notable outcome of the movement is the Reflected Best Self Exercise (Quinn, Dutton, Spreitzer, & Roberts, 2003) that helps understand individual strengths through feedback from significant others. The purpose of this symposium is to contribute to understanding the role of positive relationships in the workplace. This collection of papers explores different types of work relationships with leaders, coworkers and work friends to examine how positive emotional connections help overcome challenges and promote well-being. By looking at processes on different levels of analysis, this symposium offers a broader perspective on workplace relations and unique roles they can play for employees and for organizations. I’ll Stand by You: How Leaders Can Support Employees During a Pandemic Presenter: Mirit K. Grabarski; Lakehead U. Presenter: Maria Mouratidou; U. of Cumbria, UK LMX Differentiation and its Political Effects in the Context of Performance Appraisal Presenter: Silvia Dello Russo; Luiss U. Presenter: Atieh S. Mirfakhar; Instituto U. de Lisboa (ISCTE-IUL), Business Research Unit (BRU-IUL) Presenter: Alison Legood; U. of Exeter Business School The Effects of Intersectionality on Evaluations of Interpersonal Citizenship Behaviors Ratings Presenter: Natalie Schneider; U. of Wisconsin, Milwaukee Presenter: Xiaoxia Zhu; U. of Wisconsin - Milwaukee Presenter: Megha Yadav; U. of Wisconsin, Milwaukee Presenter: Belle Rose Ragins; U. of Wisconsin, Milwaukee Disappoint Friends or Downplay Organizational Norms?The Influence of Workplace Friendship Trajectory Presenter: Kun Wang; UCL School of Management Silver Lining: Unit Cohesion Offsets the Influence of Safety Concerns on Thriving at Work Presenter: Olivier Wurtz; ESCP Business School Presenter: Mihaela Dimitrova; WU Vienna Presenter: Mila Borislavova Lazarova; Simon Fraser U. Presenter: Margaret A. Shaffer; U. of Oklahoma
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,012 |
| Communication savante | 0,016 | 0,010 |
| Science ouverte | 0,001 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».