MétaCan
Menu
Retour à la cohorte
Enregistrement W4292878056 · doi:10.1111/1911-3846.12821

Motivating Employees with Goal‐Based Prosocial Rewards*

2022· article· en· W4292878056 sur OpenAlexaffvenue
L. L. Berger, Lan Guo, Adam Presslee

Notice bibliographique

RevueContemporary Accounting Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueExperimental Behavioral Economics Studies
Établissements canadiensUniversity of WaterlooWilfrid Laurier University
Organismes subventionnairesnon disponible
Mots-clésProsocial behaviorIncentiveAffect (linguistics)PsychologyCashValuation (finance)Social psychologyMicroeconomicsEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

ABSTRACT A recent trend in organizations is to motivate employees with goal‐based prosocial rewards, whereby employees must donate their rewards to charities upon goal attainment. We examine the motivational effects of goal‐based prosocial rewards versus cash rewards under different levels of goal difficulty. We develop our hypotheses based on affective valuation theory, which posits that when valuing uncertain outcomes by affect rather than calculation, individuals are largely insensitive to changes in probability of the outcomes, including probability of goal attainment. Experiment results support our hypotheses. Specifically, we find that employees who are rewarded with prosocial (vs. cash) goal‐based rewards are more likely to adopt an affective valuation approach. Consequently, when employees are assigned either an easy goal or a stretch goal, their effort is higher when incentivized with a goal‐based prosocial reward than a cash reward. Furthermore, there is a less curve‐linear relationship between goal difficulty and effort with prosocial (vs. cash) goal‐based rewards. These findings highlight for incentive system designers the motivational advantage of goal‐based prosocial rewards relative to traditional cash rewards. Furthermore, we extend the academic literature by showing how affect‐rich rewards such as prosocial rewards can influence employees' assessment of the probability of goal attainment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,901
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0070,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,124
Tête enseignante GPT0,408
Écart entre enseignants0,285 · 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 tête enseignante, pas un consensus.

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

Citations15
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetExperimental Behavioral Economics StudiesTravaux en français237 207