Perceived Overqualification: New Directions
Notice bibliographique
Résumé
Perceived overqualification, when an employee possesses excess education, experience, or skills, affects a growing number of employees around the world. As such, academics and practitioners alike seek to understand the experiences and outcomes of overqualified workers. This symposium brings together four exciting new research directions for perceived overqualification (POQ) from leading authors. POQ expert, Berrin Erdogan, serves as discussant and provides insights into future research directions for this important topic. Linking Perceived Overqualification to Organizational Citizenship Behavior Author: Yejun Zhang; U. of Texas Rio Grande Valley Author: Margaret A. Shaffer; U. of Oklahoma Author: Kui Yin; U. of Science and Technology Beijing Perceived Overqualification and Work-family Conflict: Examining Pathways Author: Yanan Dong; School of Economics and Management, Beihang U. Author: Aleksandra Luksyte; U. of Western Australia Author: Lin Ma; School of Economics and Management, Beihang U. Author: Jing Jiang; Beijing International Studies U. Perceived Overqualification and Career Success: Is Harmonious or Obsessive Passion Beneficial? Author: Aleksandra Luksyte; U. of Western Australia Author: Joseph Carpini; U. of Western Australia On the Dimensionality of Perceived Overqualification Author: Fran McKee-Ryan; U. of Nevada, Reno Author: Dana Kabat-Farr; Faculty of Management, Dalhousie U. Author: Benjamin M. Walsh; Grand Valley State U. Author: Camilla M. Holmvall; Saint Mary’s U. Author: Remi Labelle-Deraspe; Faculty of Management, Dalhousie U.
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 | 0,030 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,009 | 0,019 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».