The human capital management perspective on quiet quitting: recommendations for employees, managers, and national policymakers
Notice bibliographique
Résumé
Purpose The purpose of this Real Impact Viewpoint Article is to analyze the quiet quitting phenomenon from the human capital management perspective. Design/methodology/approach The methods comprise the analysis of 672 TikTok comments, the use of secondary data and literature review. Findings Quiet quitting is a mindset in which employees deliberately limit work activities to their job description, meet yet not exceed the preestablished expectations, never volunteer for additional tasks and do all this to merely maintain their current employment status while prioritizing their well-being over organizational goals. Employees quiet quit due to poor extrinsic motivation, burnout and grudges against their managers or organizations. Quiet quitting is a double-edged sword: while it helps workers avoid burnout, engaging in this behavior may jeopardize their professional careers. Though the term is new, the ideas behind quiet quitting are not and go back decades. Practical implications Employees engaged in quiet quitting should become more efficient, avoid burnout, prepare for termination or resignation and manage future career difficulties. In response to quiet quitting, human capital managers should invest in knowledge sharing, capture the knowledge of potential quiet quitters, think twice before terminating them, conduct a knowledge audit, focus on high performers, introduce burnout management programs, promote interactional justice between managers and subordinates and fairly compensate for “going above and beyond.” Policymakers should prevent national human capital depletion, promote work-life balance as a national core value, fund employee mental health support and invest in employee efficiency innovation. Originality/value This Real Impact Viewpoint Article analyzes quiet quitting from the human capital management perspective.
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 | 0,034 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,019 |
| Communication savante | 0,018 | 0,029 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,017 | 0,034 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».