Social Pitfalls At Work: Mistaken Beliefs About Maximizing Workplace Social Value
Notice bibliographique
Résumé
Much of employees’ professional success and emotional well-being comes from their social interactions in the workplace. Unfortunately, employees sometimes fail to socialize as effectively as they could, reducing their social capital at work and limiting the potential benefits they could gain from building strong social connections in the workplace. This symposium demonstrates four new ways that employees fail to maximize their social value at work, and additionally suggests a reason why they do so: workers have mistaken forecasts regarding their social interactions. In particular, the symposium showcases four distinct contexts of social interactions – talking to dissimilar others, seeking help, gossiping, and being humorous – and suggests methods for improving social capital and consequently career success. Taken together, these symposium presentations shed light on the various pitfalls, mistaken beliefs, and surprising ignorance we have when it comes to optimal workplace socialization. The research findings will encourage people to examine their own assumptions regarding social interactions at work, so that they can create more effective connections and uplifting moments, and achieve greater social capital for themselves in the workplace. A Closer Look at Homophily: Why Do People Avoid Talking to Dissimilar Others? Author: Erica Boothby; The Wharton School, U. of Pennsylvania Author: Gus Cooney; Harvard U. Should I Ask Over Zoom, Phone, Email, or In-Person? Communication Channel and Predicted Compliance Author: Vanessa Bohns; Cornell U. Author: Mahdi Roghanizad; Ted Rogers School of Management, Toronto Metropolitan U. Gossipers Beware: Gossipers Underestimate the Negative Reputational Consequences of Gossiping Author: Andrew Choi; U. of California, Berkeley Author: Sonya Mishra; U. of California, Berkeley Author: Juliana Schroeder; U. of California, Berkeley The First Laugh: It is Easier Than We Think to Attempt Humor with Strangers Author: Elizabeth Jiang; UCLA Author: Sanford Ely DeVoe; UCLA
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 | 0,013 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».