Do moral disengagers experience guilt following workplace misconduct? Consequences for emotional exhaustion and task performance
Notice bibliographique
Résumé
Summary According to Bandura, moral disengagement facilitates misconduct by minimizing feelings of guilt that normally arise when one contemplates wrongdoing. While trait moral disengagement has been negatively associated with anticipatory guilt, scholars have yet to fully consider its impact on guilt post ‐ misconduct. In this paper, we examine the indirect effects of trait moral disengagement on post‐misconduct guilt, and downstream effects on employees' mental health and performance. Lastly, we explore the moderating role of post‐misconduct state moral disengagement in shaping the effects of trait moral disengagement. Across three studies, we find that trait moral disengagement is positively linked to guilt following interpersonal deviance, unethical work behavior, and objective cheating behavior. Further, trait moral disengagement is indirectly, positively linked to emotional exhaustion and negatively related to executive function (specifically, the capacity to inhibit distraction during tasks). In a fourth study, we find that trait moral disengagement is positively associated with guilt and subsequent emotional exhaustion when individuals employ little to no state moral disengagement immediately post‐misconduct. In contrast, trait moral disengagement is negatively linked to guilt and emotional exhaustion when individuals employ state moral disengagement post‐misconduct. We discuss the implications of these findings for advancing moral disengagement theory and research.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».